Introducción al Aprendizaje Profundo
El aprendizaje profundo es un subcampo del aprendizaje automático que se centra en aprender representaciones de características complejas y jerárquicas a partir de datos brutos utilizando redes neuronales artificiales. El curso cubre los principios fundamentales, las matemáticas subyacentes, los conceptos de optimización (descenso del gradiente, propagación hacia atrás), los módulos de red (capas lineales, convolucionales, de agrupamiento) y las arquitecturas comunes (CNNs, RNNs). Se demuestran aplicaciones incluyendo visión por computadora, procesamiento del lenguaje natural y aprendizaje por refuerzo. Los estudiantes utilizarán la biblioteca de aprendizaje profundo PyTorch para la implementación y completarán un proyecto final sobre un escenario del mundo real.
Descripción del curso
Resumen del Contenido
El aprendizaje profundo es un subcampo del aprendizaje automático que se centra en aprender representaciones de características complejas y jerárquicas a partir de datos sin procesar utilizando redes neuronales artificiales. El curso cubre principios fundamentales, matemáticas subyacentes, conceptos de optimización (descenso del gradiente, retropropagación), módulos de red (capas lineales, convolucionales, de pooling) y arquitecturas comunes (CNNs, RNNs). Las aplicaciones demostradas incluyen visión por computadora, procesamiento del lenguaje natural y aprendizaje por refuerzo. Los estudiantes utilizarán la biblioteca de aprendizaje profundo PyTorch para la implementación y completarán un proyecto final sobre un escenario del mundo real.
Un breve resumen de los objetivos clave: dominar la teoría del aprendizaje profundo, implementar modelos usando PyTorch, comprender arquitecturas especializadas (CNNs, RNNs, Transformers) y aplicar estos conceptos a visión por computadora, NLP y toma de decisiones secuenciales.
Objetivos de Aprendizaje
- Explicar las bases matemáticas y las técnicas de optimización fundamentales (Descenso del Gradiente, Retropropagación) necesarias para entrenar redes neuronales profundas.
- Utilizar el marco de aprendizaje profundo PyTorch para implementar, entrenar y depurar eficientemente arquitecturas de red modernas usando aceleración CUDA y técnicas eficientes de manejo de datos.
- Diseñar y analizar arquitecturas especializadas, incluyendo Redes Neuronales Convolucionales (CNNs) para datos de imagen y el modelo Transformer para dependencias secuenciales.
- Aplicar técnicas de aprendizaje profundo para resolver problemas prácticos en dominios aplicativos clave: Visión por Computadora, Procesamiento del Lenguaje Natural y Aprendizaje por Refuerzo.
- Evaluar modelos según robustez, interpretabilidad y equidad ética, comparando las fortalezas de diversos paradigmas avanzados (por ejemplo, Modelos Generativos, Aprendizaje Semi-supervisado).