El curso sigue un enfoque teórico práctico, aplicando los conceptos en un proyecto transversal desde el inicio. Se utilizan herramientas como Python 3.x, TensorFlow, Keras, Pandas, NumPy, Matplotlib y Seaborn, además de Flask o FastAPI para integrar modelos mediante APIs. También se abordará el uso de plataformas cloud como Google Cloud AI Platform y Azure Machine Learning para el entrenamiento y despliegue de modelos en la nube.
Este programa está dirigido a personas interesadas en Inteligencia Artificial.
El objetivo del programa es desarrollar y desplegar sistemas de Deep Learning en la nube utilizando TensorFlow. Los alumnos aprenderán a crear, entrenar y optimizar modelos para tareas como clasificación de imágenes, NLP y análisis de datos estructurados, aplicando técnicas de ajuste de hiperparámetros y optimización. También se abordará su integración en entornos productivos, mediante TensorFlow Serving y API REST, con aplicaciones en reconocimiento de patrones, predicción, detección de anomalías y análisis de sentimientos.
MÓDULO 1: REDES NEURONALES AVANZADAS CON TENSORFLOW
INTRODUCCIÓN A DEEP LEARNING Y TENSORFLOW.
REDES NEURONALES ARTIFICIALES (ANN): PERCEPTRÓN MULTICAPA (MLP) Y RETROPROPAGACIÓN.
REDES CONVOLUCIONALES (CNN) PARA CLASIFICACIÓN DE IMÁGENES.
REDES RECURRENTES (RNN, LSTM, GRU) PARA PROCESAMIENTO SECUENCIAL.
INTRODUCCIÓN A TRANSFORMERS Y SU APLICACIÓN EN NLP.
OPTIMIZACIÓN DE MODELOS: BATCH NORMALIZATION, DROPOUT, REGULARIZACIÓN.
AJUSTE DE HIPERPARÁMETROS EN TENSORFLOW. PRÁCTICA: IMPLEMENTACIÓN DE UNA CNN PARA
CLASIFICACIÓN DE IMÁGENES CON TENSORFLOW. PRÁCTICA: APLICACIÓN DE RNN/LSTM PARA
PREDICCIÓN DE SERIES TEMPORALES.
PRÁCTICA: USO DE MODELOS TRANSFORMERS PARA NLP CON TENSORFLOW.
EVALUACIÓN TEÓRICO / PRÁCTICA.
MÓDULO 2: OPTIMIZACIÓN Y AJUSTE DE MODELOS DEEP LEARNING
FUNDAMENTOS DE OPTIMIZACIÓN DE MODELOS DL. AJUSTE DE HIPERPARÁMETROS CON GRID SEARCH Y
RANDOM SEARCH.
OPTIMIZACIÓN BAYESIANA Y ESTRATEGIAS AVANZADAS. TRANSFER LEARNING Y FINE-TUNING CON MODELOS
PREENTRENADOS (RESNET, BERT).
DATA AUGMENTATION Y MEJORA DE GENERALIZACIÓN EN MODELOS.
PRÁCTICA: OPTIMIZACIÓN DE HIPERPARÁMETROS EN MODELOS DE TENSORFLOW.
PRÁCTICA: TRANSFER LEARNING CON MODELOS PREENTRENADOS.
EVALUACIÓN TEÓRICO / PRÁCTICA.
MÓDULO 3: RESPONSIBLE AI Y EXPLICABILIDAD EN MODELOS DL
SESGOS EN DATOS Y ALGORITMOS DE DEEP LEARNING. TRANSPARENCIA Y EXPLICABILIDAD EN IA.
INTERPRETABILIDAD DE MODELOS CON SHAP Y LIME. CONSIDERACIONES ÉTICAS EN LA IA MODERNA.
PRÁCTICA: ANÁLISIS DE SESGOS EN MODELOS DE DEEP LEARNING.
PRÁCTICA: IMPLEMENTACIÓN DE TÉCNICAS DE EXPLICABILIDAD EN MODELOS TENSORFLOW.
EVALUACIÓN TEÓRICO / PRÁCTICA..
MÓDULO 4: IMPLEMENTACIÓN DE MODELOS CON TENSORFLOW
IMPLEMENTACIÓN DE MODELOS EN TENSORFLOW DESDE CERO.
USO DE KERAS PARA SIMPLIFICAR LA CREACIÓN DE MODELOS DL.
AJUSTE DE ARQUITECTURAS NEURONALES PARA MEJORAR EL RENDIMIENTO.
USO DE TENSORFLOW SERVING PARA DESPLIEGUE DE MODELOS EN PRODUCCIÓN.
INTEGRACIÓN DE MODELOS CON APIS Y APLICACIONES REALES.
PRÁCTICA: IMPLEMENTACIÓN DE MODELOS CNN PARA CLASIFICACIÓN DE IMÁGENES.
PRÁCTICA: CREACIÓN DE MODELOS DE NLP CON TRANSFORMERS EN TENSORFLOW.
EVALUACIÓN TEÓRICO / PRÁCTICA.
MÓDULO 5: VISUALIZACIÓN E INTERPRETACIÓN DE MODELOS DL
INTRODUCCIÓN A HERRAMIENTAS DE VISUALIZACIÓN EN DEEP LEARNING.
ANÁLISIS DE MÉTRICAS: MATRIZ DE CONFUSIÓN, PRECISION-RECALL, ROC.
PRÁCTICA: CREACIÓN DE GRÁFICOS PARA ANÁLISIS DE MODELOS EN TENSORFLOW.
EVALUACIÓN TEÓRICO / PRÁCTICA.
MÓDULO 6: DESPLIEGUE DE MODELOS EN ENTORNOS CLOUD Y EDGE
INTRODUCCIÓN A TENSORFLOW SERVING Y TENSORFLOW LITE.
DESPLIEGUE DE MODELOS EN GOOGLE CLOUD AI PLATFORM.
IMPLEMENTACIÓN DE MODELOS EN DISPOSITIVOS MÓVILES Y EDGE COMPUTING.
OPTIMIZACIÓN DE MODELOS PARA ENTORNOS DE BAJA LATENCIA.
PRÁCTICA: DESPLIEGUE DE MODELOS EN GOOGLE CLOUD AI.
PRÁCTICA: CONVERSIÓN DE MODELOS PARA EJECUCIÓN EN DISPOSITIVOS MÓVILES.
EVALUACIÓN TEÓRICO / PRÁCTICA. MÓDULO 7: PREPARACIÓN CERTIFICACIÓN TENSORFLOW
SIMULACIÓN DE EXAMEN.
REVISIÓN Y REPASO DE CONCEPTOS CLAVE. CERTIFICACIÓN.
Curso Inteligencia Artificial Optimizer con Certificación Tensorflow.
Para ingresar al programa es fundamental tener conocimientos en el lenguaje PYTHON. Recomendable, nociones de SQL.
Información Adicional
Se imparte en formato mixto, con sesiones presenciales en Barcelona y en Aula Virtual.
Fecha inicio: SEP. / 2026
Fecha Fin: Dic. / 2026 - Plazas y convocatorias limitadas.
Horarios:
