Aplicarás a tus proyectos las técnicas más innovadoras del Aprendizaje profundo gracias a este Maestría 100% online” 

El TensorFlow se ha transformado en la herramienta más importante para implementar y entrenar modelos de Aprendizaje Profundo. Los desarrolladores emplean tanto su variedad de instrumentos como bibliotecas para entrenar modelos que realicen tareas automáticas de detección de objetos, clasificación y procesamiento del lenguaje natural. En esta misma línea, esta plataforma es provechosa para detectar anomalías en datos, lo que es esencial en ámbitos como la seguridad cibernética, el mantenimiento predictivo y el control de calidad. Sin embargo, su uso puede implicar una serie de retos para los profesionales, entre los que destacan la selección de la arquitectura de red neuronal adecuada.

Ante esta situación, TECH implementa un Maestría que proporcionará a los expertos un enfoque integral sobre el Deep Learning. Elaborado por expertos en la materia, el plan de estudios ahondará en los fundamentos matemáticos y principios del Aprendizaje Profundo. Esto les permitirá a los egresados construir Redes Neuronales dirigidas al procesamiento de información que implican reconocimiento de patrones, tomas de decisiones y aprendizaje a partir de datos. Asimismo, el temario profundizará en el Reinforcement Learning teniendo en cuenta factores como la optimización de las recompensas y la búsqueda de política. Por otra parte, los materiales didácticos ofrecerán técnicas avanzadas de optimización y visualización de resultados. 

En cuanto al formato de la titulación universitaria, esta se imparte a través de una metodología 100% online para que los egresados puedan completar el programa con comodidad. Para acceder a los contenidos académicos tan solo necesitarán un dispositivo electrónico con acceso a Internet, puesto que los horarios y cronogramas evaluativos se planifican de manera individual. Por otro lado, el temario se apoyará en el novedoso sistema de enseñanza del Relearning, del cual TECH es pionera. Este sistema de aprendizaje consiste en la reiteración de los aspectos claves para garantizar el dominio de sus diferentes aspectos.

Estudia por medio de innovadores formatos didácticos multimedia que optimizarán tu proceso de actualización en Deep Learning”

Este Maestría en Deep Learning contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son:  

• El desarrollo de casos prácticos presentados por expertos en Data Engineer y Data Scientist
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información técnica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Su especial hincapié en metodologías innovadoras 
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

¿Buscas enriquecer tu praxis con las técnicas de optimización de gradientes más avanzadas? Lógralo con este programa en tan solo 12 meses”

El programa incluye, en su cuadro docente, a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales.

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.

Profundizarás en los Backward Pass para calcular los gradientes de la función de pérdida con respecto a los parámetros de la red”

Gracias a la metodología del Relearning, tendrás libertad para planificar tanto tus horarios de estudio como cronogramas educativos”

Este Maestría ofrecerá a los alumnos una amplia gama de técnicas de Deep Learning, que elevarán sus horizontes profesionales a un nivel superior. Para conseguirlo, el itinerario académico profundizará en la codificación de modelos de aprendizaje profundo. De este modo, los egresados traducirán con eficacia los algoritmos y arquitecturas de redes neuronales profundas. Asimismo, el temario abordará en detalle el entrenamiento de redes neuronales profundas, así como la visualización de los resultados y la evaluación de los modelos de aprendizaje. También los estudiantes analizarán los principales Modelos Transformers, con el fin de manejarlos para generar traducciones automáticas.

Aplicarás a tus proyectos los principios del Deep Learning para resolver una variedad de problemas complejos en campos como el reconocimiento de imágenes”

Módulo 1. Fundamentos Matemáticos de Deep Learning

1.1. Funciones y Derivadas

1.1.1. Funciones lineales
1.1.2. Derivadas parciales
1.1.3. Derivadas de orden superior

1.2. Funciones anidadas

1.2.1. Funciones compuestas
1.2.2. Funciones inversas
1.2.3. Funciones recursivas

1.3. La regla de la cadena

1.3.1. Derivadas de funciones anidadas
1.3.2. Derivadas de funciones compuestas
1.3.3. Derivadas de funciones inversas

1.4. Funciones con múltiples entradas

1.4.1. Funciones de varias variables
1.4.2. Funciones vectoriales
1.4.3. Funciones matriciales

1.5. Derivadas de funciones con entradas múltiples

1.5.1. Derivadas parciales
1.5.2. Derivadas direccionales
1.5.3. Derivadas mixtas

1.6. Funciones con múltiples entradas vectoriales

1.6.1. Funciones vectoriales lineales
1.6.2. Funciones vectoriales no lineales
1.6.3. Funciones vectoriales de matriz

1.7. Creación de nuevas funciones a partir de funciones existentes

1.7.1. Suma de funciones
1.7.2. Producto de funciones
1.7.3. Composición de funciones

1.8. Derivadas de funciones con múltiples entradas vectoriales

1.8.1. Derivadas de funciones lineales
1.8.2. Derivadas de funciones no lineales
1.8.3. Derivadas de funciones compuestas

1.9. Funciones vectoriales y sus derivadas: Un paso más allá

1.9.1. Derivadas direccionales
1.9.2. Derivadas mixtas
1.9.3. Derivadas matriciales

1.10. El Backward Pass

1.10.1. Propagación de errores
1.10.2. Aplicación de reglas de actualización
1.10.3. Optimización de parámetros

Módulo 2. Principios de Deep Learning

2.1. El Aprendizaje Supervisado

2.1.1. Máquinas de aprendizaje supervisado
2.1.2. Usos del aprendizaje supervisado
2.1.3. Diferencias entre aprendizaje supervisado y no supervisado

2.2. Modelos de aprendizaje supervisado

2.2.1. Modelos lineales
2.2.2. Modelos de árboles de decisión
2.2.3. Modelos de redes neuronales

2.3. Regresión lineal

2.3.1. Regresión lineal simple
2.3.2. Regresión lineal múltiple
2.3.3. Análisis de regresión

2.4. Entrenamiento del modelo

2.4.1. Batch Learning
2.4.2. Online Learning
2.4.3. Métodos de Optimización

2.5. Evaluación del modelo: Conjunto de entrenamiento versus conjunto de prueba

2.5.1. Métricas de evaluación
2.5.2. Validación cruzada
2.5.3. Comparación de los conjuntos de datos

2.6. Evaluación del modelo: El código

2.6.1. Generación de predicciones
2.6.2. Análisis de errores
2.6.3. Métricas de evaluación

2.7. Análisis de las variables

2.7.1. Identificación de variables relevantes
2.7.2. Análisis de correlación
2.7.3. Análisis de regresión

2.8. Explicabilidad de los modelos de redes neuronales

2.8.1. Modelos interpretables
2.8.2. Métodos de visualización
2.8.3. Métodos de evaluación

2.9. Optimización

2.9.1. Métodos de optimización
2.9.2. Técnicas de regularización
2.9.3. El uso de gráficos

2.10. Hiperparámetros

2.10.1. Selección de hiperparámetros
2.10.2. Búsqueda de parámetros
2.10.3. Ajuste de hiperparámetros

Módulo 3. Las redes neuronales, base de Deep Learning

3.1. Aprendizaje Profundo

3.1.1. Tipos de aprendizaje profundo
3.1.2. Aplicaciones del aprendizaje profundo
3.1.3. Ventajas y desventajas del aprendizaje profundo

3.2. Operaciones

3.2.1. Suma
3.2.2. Producto
3.2.3. Traslado

3.3. Capas

3.3.1. Capa de entrada
3.3.2. Capa oculta
3.3.3. Capa de salida

3.4. Unión de Capas y Operaciones

3.4.1. Diseño de arquitecturas
3.4.2. Conexión entre capas
3.4.3. Propagación hacia adelante

3.5. Construcción de la primera red neuronal

3.5.1. Diseño de la red
3.5.2. Establecer los pesos
3.5.3. Entrenamiento de la red

3.6. Entrenador y Optimizador

3.6.1. Selección del optimizador
3.6.2. Establecimiento de una función de pérdida
3.6.3. Establecimiento de una métrica

3.7. Aplicación de los Principios de las Redes Neuronales

3.7.1. Funciones de activación
3.7.2. Propagación hacia atrás
3.7.3. Ajuste de los parámetros

3.8. De las neuronas biológicas a las artificiales

3.8.1. Funcionamiento de una neurona biológica
3.8.2. Transferencia de conocimiento a las neuronas artificiales
3.8.3. Establecer relaciones entre ambas

3.9. Implementación de MLP (Perceptrón multicapa) con Keras

3.9.1. Definición de la estructura de la red
3.9.2. Compilación del modelo
3.9.3. Entrenamiento del modelo

3.10. Hiperparámetros de Fine tuning de Redes Neuronales

3.10.1. Selección de la función de activación
3.10.2. Establecer el learning rate
3.10.3. Ajuste de los pesos

Módulo 4. Entrenamiento de redes neuronales profundas

4.1. Problemas de Gradientes

4.1.1. Técnicas de optimización de gradiente
4.1.2. Gradientes Estocásticos
4.1.3. Técnicas de inicialización de pesos

4.2. Reutilización de capas preentrenadas

4.2.1. Entrenamiento de transferencia de aprendizaje
4.2.2. Extracción de características
4.2.3. Aprendizaje profundo

4.3. Optimizadores

4.3.1. Optimizadores de descenso de gradiente estocástico
4.3.2. Optimizadores Adam y RMSprop
4.3.3. Optimizadores de momento

4.4. Programación de la tasa de aprendizaje

4.4.1. Control de tasa de aprendizaje automático
4.4.2. Ciclos de aprendizaje
4.4.3. Términos de suavizado

4.5. Sobreajuste

4.5.1. Validación cruzada
4.5.2. Regularización
4.5.3. Métricas de evaluación

4.6. Directrices Prácticas

4.6.1. Diseño de modelos
4.6.2. Selección de métricas y parámetros de evaluación
4.6.3. Pruebas de hipótesis

4.7. Transfer learning

4.7.1. Entrenamiento de transferencia de aprendizaje
4.7.2. Extracción de características
4.7.3. Aprendizaje profundo

4.8. Data Augmentation

4.8.1. Transformaciones de imagen
4.8.2. Generación de datos sintéticos
4.8.3. Transformación de texto

4.9. Aplicación Práctica de Transfer Learning

4.9.1. Entrenamiento de transferencia de aprendizaje
4.9.2. Extracción de características
4.9.3. Aprendizaje profundo

4.10. Regularización

4.10.1. L1 y L2
4.10.2. Regularización por máxima entropía
4.10.3. Dropout

Módulo 5. Personalización de Modelos y entrenamiento con TensorFlow

5.1. TensorFlow

5.1.1. Uso de la biblioteca TensorFlow
5.1.2. Entrenamiento de modelos con TensorFlow
5.1.3. Operaciones con gráficos en TensorFlow

5.2. TensorFlow y NumPy

5.2.1. Entorno computacional NumPy para TensorFlow
5.2.2. Utilización de los arrays NumPy con TensorFlow
5.2.3. Operaciones NumPy para los gráficos de TensorFlow

5.3. Personalización de modelos y algoritmos de entrenamiento

5.3.1. Construcción de modelos personalizados con TensorFlow
5.3.2. Gestión de parámetros de entrenamiento
5.3.3. Utilización de técnicas de optimización para el entrenamiento

5.4. Funciones y gráficos de TensorFlow

5.4.1. Funciones con TensorFlow
5.4.2. Utilización de gráficos para el entrenamiento de modelos
5.4.3. Optimización de gráficos con operaciones de TensorFlow

5.5. Carga y preprocesamiento de datos con TensorFlow

5.5.1. Carga de conjuntos de datos con TensorFlow
5.5.2. Preprocesamiento de datos con TensorFlow
5.5.3. Utilización de herramientas de TensorFlow para la manipulación de datos

5.6. La API tf.data

5.6.1. Utilización de la API tf.data para el procesamiento de datos
5.6.2. Construcción de flujos de datos con tf.data
5.6.3. Uso de la API tf.data para el entrenamiento de modelos

5.7. El formato TFRecord

5.7.1. Utilización de la API TFRecord para la serialización de datos
5.7.2. Carga de archivos TFRecord con TensorFlow
5.7.3. Utilización de archivos TFRecord para el entrenamiento de modelos

5.8. Capas de preprocesamiento de Keras

5.8.1. Utilización de la API de preprocesamiento de Keras
5.8.2. Construcción de pipelined de preprocesamiento con Keras
5.8.3. Uso de la API de preprocesamiento de Keras para el entrenamiento de modelos

5.9. El proyecto TensorFlow Datasets

5.9.1. Utilización de TensorFlow Datasets para la carga de datos
5.9.2. Preprocesamiento de datos con TensorFlow Datasets
5.9.3. Uso de TensorFlow Datasets para el entrenamiento de modelos

5.10. Construcción de una Aplicación de Deep Learning con TensorFlow. Aplicación Práctica

5.10.1. Construcción de una aplicación de Deep Learning con TensorFlow
5.10.2. Entrenamiento de un modelo con TensorFlow
5.10.3. Utilización de la aplicación para la predicción de resultados

Módulo 6. Deep Computer Vision con Redes Neuronales Convolucionales

6.1. La Arquitectura Visual Cortex

6.1.1. Funciones de la corteza visual
6.1.2. Teorías de la visión computacional
6.1.3. Modelos de procesamiento de imágenes

6.2. Capas convolucionales

6.2.1. Reutilización de pesos en la convolución
6.2.2. Convolución 2D
6.2.3. Funciones de activación

6.3. Capas de agrupación e implementación de capas de agrupación con Keras

6.3.1. Pooling y Striding
6.3.2. Flattening
6.3.3. Tipos de Pooling

6.4. Arquitecturas CNN

6.4.1. Arquitectura VGG
6.4.2. Arquitectura AlexNet
6.4.3. Arquitectura ResNet

6.5. Implementación de una CNN ResNet-34 usando Keras

6.5.1. Inicialización de pesos
6.5.2. Definición de la capa de entrada
6.5.3. Definición de la salida

6.6. Uso de modelos preentrenados de Keras

6.6.1. Características de los modelos preentrenados
6.6.2. Usos de los modelos preentrenados
6.6.3. Ventajas de los modelos preentrenados

6.7. Modelos preentrenados para el aprendizaje por transferencia

6.7.1. El Aprendizaje por transferencia
6.7.2. Proceso de aprendizaje por transferencia
6.7.3. Ventajas del aprendizaje por transferencia

6.8. Clasificación y Localización en Deep Computer Vision

6.8.1. Clasificación de imágenes
6.8.2. Localización de objetos en imágenes
6.8.3. Detección de objetos

6.9. Detección de objetos y seguimiento de objetos

6.9.1. Métodos de detección de objetos
6.9.2. Algoritmos de seguimiento de objetos
6.9.3. Técnicas de rastreo y localización

6.10. Segmentación semántica

6.10.1. Aprendizaje profundo para segmentación semántica
6.10.2. Detección de bordes
6.10.3. Métodos de segmentación basados en reglas

Módulo 7. Secuencias de procesamiento utilizando RNN (Redes Neuronales Recurrentes) y CNN (Redes Neuronales Convolucionales)

7.1. Neuronas y capas recurrentes

7.1.1. Tipos de neuronas recurrentes
7.1.2. Arquitectura de una capa recurrente
7.1.3. Aplicaciones de las capas recurrentes

7.2. Entrenamiento de Redes Neuronales Recurrentes (RNN)

7.2.1. Backpropagation a través del tiempo (BPTT)
7.2.2. Gradiente descendente estocástico
7.2.3. Regularización en entrenamiento de RNN

7.3. Evaluación de modelos RNN

7.3.1. Métricas de evaluación
7.3.2. Validación cruzada
7.3.3. Ajuste de hiperparámetros

7.4. RNN prentrenados

7.4.1. Redes prentrenadas
7.4.2. Trasferencia de aprendizaje
7.4.3. Ajuste fino

7.5. Pronóstico de una serie de tiempo

7.5.1. Modelos estadísticos para pronósticos
7.5.2. Modelos de series temporales
7.5.3. Modelos basados en redes neuronales

7.6. Interpretación de los resultados del análisis de series temporales

7.6.1. Análisis de componentes principales
7.6.2. Análisis de cluster
7.6.3. Análisis de correlaciones

7.7. Manejo de secuencias largas

7.7.1. Long Short-Term Memory (LSTM)
7.7.2. Gated Recurrent Units (GRU)
7.7.3. Convolucionales 1D

7.8. Aprendizaje de secuencia parcial

7.8.1. Métodos de aprendizaje profundo
7.8.2. Modelos generativos
7.8.3. Aprendizaje de refuerzo

7.9. Aplicación Práctica de RNN y CNN

7.9.1. Procesamiento de lenguaje natural
7.9.2. Reconocimiento de patrones
7.9.3. Visión por computador

7.10. Diferencias en los resultados clásicos

7.10.1. Métodos clásicos vs RNN
7.10.2. Métodos clásicos vs CNN
7.10.3. Diferencia en tiempo de entrenamiento

Módulo 8. Procesamiento del lenguaje natural (NLP) con Redes Naturales Recurrentes (RNN) y Atención

8.1. Generación de texto utilizando RNN

8.1.1. Entrenamiento de una RNN para generación de texto
8.1.2. Generación de lenguaje natural con RNN
8.1.3. Aplicaciones de generación de texto con RNN

8.2. Creación del conjunto de datos de entrenamiento

8.2.1. Preparación de los datos para el entrenamiento de una RNN
8.2.2. Almacenamiento del conjunto de datos de entrenamiento
8.2.3. Limpieza y transformación de los datos

8.3. Análisis de Sentimiento

8.3.1. Clasificación de opiniones con RNN
8.3.2. Detección de temas en los comentarios
8.3.3. Análisis de sentimiento con algoritmos de aprendizaje profundo

8.4. Red de codificador-decodificador para la traducción automática neuronal

8.4.1. Entrenamiento de una RNN para la traducción automática
8.4.2. Uso de una red encoder-decoder para la traducción automática
8.4.3. Mejora de la precisión de la traducción automática con RNN

8.5. Mecanismos de atención

8.5.1. Aplicación de mecanismos de atención en RNN
8.5.2. Uso de mecanismos de atención para mejorar la precisión de los modelos
8.5.3. Ventajas de los mecanismos de atención en las redes neuronales

8.6. Modelos Transformers

8.6.1. Uso de los modelos Transformers para procesamiento de lenguaje natural
8.6.2. Aplicación de los modelos Transformers para visión
8.6.3. Ventajas de los modelos Transformers

8.7. Transformers para visión

8.7.1. Uso de los modelos Transformers para visión
8.7.2. Preprocesamiento de los datos de imagen
8.7.3. Entrenamiento de un modelo Transformer para visión

8.8. Librería de Transformers de Hugging Face

8.8.1. Uso de la librería de Transformers de Hugging Face
8.8.2. Aplicación de la librería de Transformers de Hugging Face
8.8.3. Ventajas de la librería de Transformers de Hugging Face

8.9. Otras Librerías de Transformers. Comparativa

8.9.1. Comparación entre las distintas librerías de Transformers
8.9.2. Uso de las demás librerías de Transformers
8.9.3. Ventajas de las demás librerías de Transformers

8.10. Desarrollo de una Aplicación de NLP con RNN y Atención. Aplicación Práctica

8.10.1. Desarrollo de una aplicación de procesamiento de lenguaje natural con RNN y atención
8.10.2. Uso de RNN, mecanismos de atención y modelos Transformers en la aplicación
8.10.3. Evaluación de la aplicación práctica

Módulo 9. Autoencoders, GANs, y Modelos de Difusión

9.1. Representaciones de datos eficientes

9.1.1. Reducción de dimensionalidad
9.1.2. Aprendizaje profundo
9.1.3. Representaciones compactas

9.2. Realización de PCA con un codificador automático lineal incompleto

9.2.1. Proceso de entrenamiento
9.2.2. Implementación en Python
9.2.3. Utilización de datos de prueba

9.3. Codificadores automáticos apilados

9.3.1. Redes neuronales profundas
9.3.2. Construcción de arquitecturas de codificación
9.3.3. Uso de la regularización

9.4. Autocodificadores convolucionales

9.4.1. Diseño de modelos convolucionales
9.4.2. Entrenamiento de modelos convolucionales
9.4.3. Evaluación de los resultados

9.5. Eliminación de ruido de codificadores automáticos

9.5.1. Aplicación de filtros
9.5.2. Diseño de modelos de codificación
9.5.3. Uso de técnicas de regularización

9.6. Codificadores automáticos dispersos

9.6.1. Incrementar la eficiencia de la codificación
9.6.2. Minimizando el número de parámetros
9.6.3. Utilización de técnicas de regularización

9.7. Codificadores automáticos variacionales

9.7.1. Utilización de optimización variacional
9.7.2. Aprendizaje profundo no supervisado
9.7.3. Representaciones latentes profundas

9.8. Generación de imágenes MNIST de moda

9.8.1. Reconocimiento de patrones
9.8.2. Generación de imágenes
9.8.3. Entrenamiento de redes neuronales profundas

9.9. Redes adversarias generativas y modelos de difusión

9.9.1. Generación de contenido a partir de imágenes
9.9.2. Modelado de distribuciones de datos
9.9.3. Uso de redes adversarias

9.10. Implementación de los Modelos. Aplicación Práctica

9.10.1. Implementación de los modelos
9.10.2. Uso de datos reales
9.10.3. Evaluación de los resultados

Módulo 10. Reinforcement Learning

10.1. Optimización de las recompensas y la búsqueda de políticas

10.1.1. Algoritmos de optimización de recompensas
10.1.2. Procesos de búsqueda de políticas
10.1.3. Aprendizaje por refuerzo para optimizar las recompensas

10.2. OpenAI

10.2.1. Entorno OpenAI Gym
10.2.2. Creación de entornos OpenAI
10.2.3. Algoritmos de aprendizaje por refuerzo en OpenAI

10.3. Políticas de redes neuronales

10.3.1. Redes neuronales convolucionales para la búsqueda de políticas
10.3.2. Políticas de aprendizaje profundo
10.3.3. Ampliación de políticas de redes neuronales

10.4. Evaluación de acciones: el problema de la asignación de créditos

10.4.1. Análisis de riesgo para la asignación de créditos
10.4.2. Estimación de la rentabilidad de los préstamos
10.4.3. Modelos de evaluación de créditos basados en redes neuronales

10.5. Gradientes de Política

10.5.1. Aprendizaje por refuerzo con gradientes de política
10.5.2. Optimización de gradientes de política
10.5.3. Algoritmos de gradientes de política

10.6. Procesos de decisión de Markov

10.6.1. Optimización de procesos de decisión de Markov
10.6.2. Aprendizaje por refuerzo para procesos de decisión de Markov
10.6.3. Modelos de procesos de decisión de Markov

10.7. Aprendizaje de diferencias temporales y Q-Learning

10.7.1. Aplicación de diferencias temporales en el aprendizaje
10.7.2. Aplicación de Q-Learning en el aprendizaje
10.7.3. Optimización de parámetros de Q-Learning

10.8. Implementación de Deep Q-Learning y variantes de Deep Q-Learning

10.8.1. Construcción de redes neuronales profundas para Deep Q-Learning
10.8.2. Implementación de Deep Q-Learning
10.8.3. Variaciones de Deep Q-Learning

10.9. Algoritmos de Reinforment Learning

10.9.1. Algoritmos de aprendizaje por refuerzo
10.9.2. Algoritmos de aprendizaje por recompensa
10.9.3. Algoritmos de aprendizaje por castigo

10.10. Diseño de un entorno de aprendizaje por Refuerzo. Aplicación Práctica

10.10.1. Diseño de un entorno de aprendizaje por refuerzo
10.10.2. Implementación de un algoritmo de aprendizaje por refuerzo
10.10.3. Evaluación de un algoritmo de aprendizaje por refuerzo

Estudia desde la comodidad de tu hogar y actualiza tus conocimientos de forma online con TECH, la Universidad digital más grande del mundo"