Deep Learning y Redes Neuronales Artificiales
Aprende los fundamentos del aprendizaje profundo, desde el perceptrón hasta arquitecturas convolucionales y recurrentes.
Sobre el curso
Iníciate en el apasionante mundo del aprendizaje automático profundo. Este programa cubre la base matemática y práctica necesaria para programar redes neuronales artificiales avanzadas enfocadas en visión por computador y análisis predictivo.
Qué aprenderás
- Entender las matemáticas detrás del Backpropagation.
- Construir redes neuronales multicapa con TensorFlow/PyTorch.
- Implementar Redes Neuronales Convolucionales (CNN) para visión artificial.
- Trabajar con Redes Neuronales Recurrentes y LSTM.
- Optimizar hiperparámetros para mejorar el rendimiento de los modelos.
Temario
-
1 El perceptrón y la regresión logística
Objetivo: comprender la neurona artificial más sencilla, el perceptrón, y su evolución natural, la regresión logística, que es la pieza básica sobre la que se construye todo el deep learning moderno. 1. De la…
La lección completa está en el aula virtual.
-
2 Redes multicapa (MLP) y funciones de activación
Objetivo: entender cómo apilar neuronas en capas permite resolver problemas no lineales, y conocer las funciones de activación más utilizadas y cuándo elegir cada una. 1. De una neurona a una red Un perceptrón…
La lección completa está en el aula virtual.
-
3 Funciones de pérdida y descenso del gradiente
Objetivo: saber qué mide una función de pérdida, elegir la adecuada para cada tipo de problema y entender cómo el descenso del gradiente la minimiza paso a paso. 1. La función de pérdida: el…
La lección completa está en el aula virtual.
-
4 Backpropagation paso a paso
Objetivo: comprender las matemáticas del algoritmo de retropropagación (backpropagation), aplicando la regla de la cadena sobre un ejemplo numérico pequeño que puedes reproducir con lápiz y papel. 1. El problema: ¿cuánto culpa tiene cada…
La lección completa está en el aula virtual.
-
5 Tu primera red en PyTorch (y su equivalente en Keras)
Objetivo: dominar los componentes esenciales de PyTorch (tensores, autograd, nn.Module, DataLoader y el bucle de entrenamiento) construyendo un clasificador de dígitos MNIST, y ver la misma red en Keras/TensorFlow. 1. Tensores: los arrays del…
La lección completa está en el aula virtual.
-
6 Optimizadores y regularización
Objetivo: conocer los optimizadores más usados (SGD con momentum, Adam, AdamW) y las técnicas de regularización que evitan el sobreajuste: weight decay, dropout, batch normalization y early stopping. 1. Más allá del SGD básico…
La lección completa está en el aula virtual.
-
7 Redes neuronales convolucionales (CNN) para visión artificial
Objetivo: entender cómo funcionan las capas de convolución y pooling, por qué son tan eficaces con imágenes, e implementar una CNN completa en PyTorch para clasificar CIFAR-10. 1. ¿Por qué no basta con un…
La lección completa está en el aula virtual.
-
8 Transfer learning y aumento de datos
Objetivo: aprovechar modelos preentrenados en grandes conjuntos de datos para resolver tus propios problemas con pocas imágenes, y aplicar aumento de datos para mejorar la generalización. 1. La idea del transfer learning Entrenar una…
La lección completa está en el aula virtual.
-
9 Redes recurrentes y LSTM para secuencias
Objetivo: comprender cómo las redes recurrentes procesan datos secuenciales, por qué las LSTM y GRU resuelven el problema de la memoria a largo plazo, y saber por qué los Transformers las han desplazado en…
La lección completa está en el aula virtual.
-
10 Ajuste de hiperparámetros y proyecto final
Objetivo: aprender a optimizar los hiperparámetros de forma sistemática (búsqueda aleatoria y bayesiana), validar correctamente, registrar experimentos y llevar a cabo un proyecto final completo siguiendo una checklist profesional. 1. Parámetros frente a hiperparámetros…
La lección completa está en el aula virtual.