📘 Descripción

Este máster profundiza en tácticas de optimización de redes neuronales con TensorFlow/Keras para lograr modelos más robustos y eficientes. Trabajarás regularización, normalización, learning rate scheduling, transfer learning, early stopping, ensembles y otras estrategias modernas.

Requisitos recomendados: haber cursado Máster en Ciencia de Datos con Python o Deep Learning con Python y Keras.

🧭 Contenidos del Curso

• Módulo I. Fundamentos — Introducción al DL, entorno (Jupyter/Colab), repaso de Python/TensorFlow.
• Módulo II. Redes Neuronales — Primeros modelos con Keras, evaluación de rendimiento, clasificación y regresión, proyectos.
• Módulo III. Optimización del aprendizaje — Capas/activaciones/pérdidas, batch size y LR, regularización (Dropout, ruido), BatchNorm y Transfer Learning.
• Módulo IV. Generalización — Early Stopping, Model Checkpoint, penalización de pesos y restricciones, regularización en activación.
• Módulo V. Técnicas avanzadas — Ensembles, votaciones ponderadas, stacking, LR cíclica, snapshot ensembles.