Introducción al Deep Learning

IA-0013

IA-0013 se centra en los fundamentos teóricos y prácticos del Deep Learning. Cubre temas como:

Fundamentos de redes neuronales: Perceptrones, redes multicapa, funciones de activación, propagación hacia adelante (forward propagation) y retropropagación (backpropagation).
Arquitecturas de redes neuronales profundas: Redes neuronales convolucionales (CNNs) para el procesamiento de imágenes, redes neuronales recurrentes (RNNs) para el procesamiento de secuencias (como texto o series de tiempo), y transformadores (Transformers) para tareas de procesamiento del lenguaje natural y visión.
Entrenamiento de redes neuronales: Optimización, funciones de pérdida, regularización, ajuste de hiperparámetros.
Herramientas y frameworks de Deep Learning: Uso de bibliotecas populares como TensorFlow, Keras o PyTorch.
Aplicaciones del Deep Learning: Ejemplos de aplicaciones en visión por computadora (clasificación de imágenes, detección de objetos), procesamiento del lenguaje natural (traducción automática, análisis de sentimiento), reconocimiento de voz y otras áreas.

El curso combina teoría con práctica, incluyendo ejercicios de programación y, a menudo, proyectos prácticos donde los estudiantes implementan y entrenan sus propias redes neuronales.

Duración

16hrs

Nivel

Intermedio

Objetivos

Al finalizar el curso, los participantes serán capaces de:

Comprender los conceptos básicos del Deep Learning: Entender qué es el Deep Learning, cómo se diferencia del Aprendizaje Automático tradicional y cuáles son sus ventajas.
Comprender el funcionamiento de las redes neuronales: Conocer la estructura y el funcionamiento de las redes neuronales, incluyendo las diferentes capas y funciones.
Implementar y entrenar redes neuronales: Utilizar frameworks de Deep Learning para construir, entrenar y evaluar modelos de redes neuronales.
Aplicar diferentes arquitecturas de redes neuronales: Seleccionar y aplicar la arquitectura de red neuronal adecuada para un problema específico (CNNs para imágenes, RNNs para secuencias, etc.).
Utilizar herramientas y frameworks de Deep Learning: Manejar las bibliotecas y herramientas estándar del Deep Learning.
Resolver problemas utilizando Deep Learning: Aplicar las técnicas aprendidas para resolver problemas reales en diferentes áreas.

Prerrequisitos

Este curso sí requiere conocimientos previos de programación, y preferiblemente también conocimientos básicos de matemáticas y aprendizaje automático. Se espera que los participantes tengan:

Conocimientos sólidos de Python: Deben estar familiarizados con la sintaxis, las estructuras de datos, las funciones y el manejo de bibliotecas en Python.
Conocimientos básicos de matemáticas: Álgebra lineal (vectores, matrices), cálculo (derivadas), probabilidad y estadística son útiles para comprender los algoritmos de Deep Learning.
Familiaridad con conceptos básicos de Aprendizaje Automático (deseable): Entender conceptos como aprendizaje supervisado y no supervisado, clasificación, regresión y evaluación de modelos facilita la comprensión del Deep Learning.

Si bien no es obligatorio, es altamente recomendable tener experiencia con bibliotecas como NumPy y Pandas para el manejo de datos.