87 lecciones • 22 horas
Curso teórico-práctico donde aprenderás a dominar los fundamentos de una de las áreas más prometedoras y con mayor potencial de la Inteligencia Artificial: el Deep Learning.
Al final de este curso habrás aprendido
- Los fundamentos de las cuatro principales arquitecturas del Deep Learning usadas en la actualidad: las Redes Neuronales, las Redes Convolucionales, las Redes Recurrentes y LSTM y las Redes Transformer
- A construir arquitecturas de Deep Learning usando Python, la librería Keras y Google Colab
- A implementar de forma práctica modelos predictivos (de clasificación y regresión) y a resolver soluciones a problemas reales en áreas como el procesamiento de imágenes, la visión por computador y el procesamiento del lenguaje natural, entre otras
Requisitos
- Una cuenta de Google para acceder a Google Colab
- Experiencia previa en programación en cualquier lenguaje
- Conocimientos básicos de álgebra y cálculo (al menos a nivel de último año de secundaria)
Contenido
MÓDULO 1: INTRODUCCIÓN AL DEEP LEARNING
1.1 – Introducción al Aprendizaje Automático
1.2 – Elementos básicos de un sistema de Deep Learning
1.3 – Inteligencia Artificial vs Machine Learning vs Deep Learning
1.4 – Evolución del Deep Learning y casos de éxito
1.5 – Definiciones y tipos de problemas que resuelve el Deep Learning
1.6 – Introducción a Google Colab
1.7 – Introducción a Python para Deep Learning
1.8 – Introducción a NumPy para Deep Learning
1.9 – Introducción a Matplotlib para Deep Learning
1.10 – Introducción a Pandas para Deep Learning
1.11 – Lo esencial de Álgebra Lineal para Deep Learning
1.12 – Lo esencial de Cálculo Diferencial para Deep Learning
1.13 – Lo esencial de Probabilidad y Estadística para Deep Learning
MÓDULO 2: LAS REDES NEURONALES
2.1 – Introducción a las Redes Neuronales
2.2 – El algoritmo del Gradiente Descendente
2.4 – Práctica 1: la Regresión Lineal desde cero en Python
2.5 – La Regresión Lineal Múltiple
2.6 – Gradiente Descendente estocástico con «mini-batch»
2.7 – Práctica 2: la Regresión Lineal en Keras
2.9 – La entropía cruzada: entrenamiento de la Neurona Artificial
2.10 – Práctica 3: la Neurona Artificial en Keras
2.11 – La Clasificación Multiclase
2.12 – Práctica 4: la Clasificación Multiclase en Keras
2.13 – Idea intuitiva acerca de las Redes Neuronales
2.14 – Las Funciones de Activación
2.15 – Entrenamiento de una Red Neuronal: Forward y Backward Propagation
2.16 – Práctica 5: detección de partículas con Redes Neuronales
2.17 – Los sets de entrenamiento, prueba y validación
2.18 – Underfitting y Overfitting
2.19 – Práctica 6: cómo crear, entrenar y validar una Red Neuronal en Keras
2.20 – Técnicas de Regularización
2.22 – Otros algoritmos de optimización: Gradiente Descendente con Momentum
2.23 – Otros algoritmos de optimización: RMSPROP
2.24 – Otros algoritmos de optimización: Adam
2.25 – Aspectos prácticos para la implementación de Redes Neuronales
2.26 – Proyecto Final: Predicción del Riesgo de Diabetes con Redes Neuronales
MÓDULO 3: LAS REDES CONVOLUCIONALES
3.1 – El sistema de visión humano y las Redes Convolucionales
3.2 – Retos del procesamiento de imágenes y limitaciones de las Redes Neuronales
3.7 – Convolución con imágenes con múltiples canales de entrada
3.8 – Convolución con múltiples filtros
3.10 – Arquitectura de una Red Convolucional
3.12 – Práctica 1: clasificación de imágenes usando la red LeNet
3.14 – Práctica 2: transferencia de aprendizaje con VGG-16
3.16 – Segmentación de imágenes con Redes Convolucionales
3.17 – Proyecto final: detección de objetos multiclase usando Redes Convolucionales
MÓDULO 4: LAS REDES RECURRENTES Y LSTM
4.1 – Introducción: las Redes Neuronales Recurrentes y el concepto de secuencia
4.2 – Principio de funcionamiento de una Red Neuronal Recurrente
4.3 – Arquitectura de una Red Neuronal Recurrente
4.4 – Una Red Neuronal Recurrente en acción: ejemplo paso a paso
4.5 – Backpropagation a través del tiempo
4.6 – Diferentes configuraciones de las Redes Recurrentes
4.7 – Práctica 1: Generación de Texto
4.8 – Limitaciones de las Redes Neuronales Recurrentes
4.9 – Las Redes LSTM (parte 1): las compuertas y la celda de memoria candidata
4.10 – Las Redes LSTM (parte 2): actualización de la celda de memoria y del estado oculto
4.11 – Práctica 2: Análisis de Sentimientos con Redes LSTM
4.12 – Proyecto final: predicción de la demanda energética con Redes LSTM
4.13 – Ventajas y limitaciones de las Redes Neuronales Recurrentes y LSTM
MÓDULO 5: LAS REDES TRANSFORMER
5.1 – Introducción a las Redes Transformer
5.2 – Aplicaciones de las Redes Transformer
5.3 – Arquitectura de una Red Transformer
5.4 – Codificación: el «embedding» de entrada
5.5 – Codificación: el codificador posicional
5.6 – Codificación: el bloque atencional
5.7 – Codificación: etapa de salida
5.8 – Decodificación: principio de funcionamiento
5.9 – Decodificación: el bloque atencional con enmascaramiento
5.10 – Decodificación: el bloque atencional
5.11 – Decodificación: etapa de salida
5.12 – Práctica 1: Machine Translation
5.13 – BERT: la transferencia de aprendizaje en las Redes Transformer
5.14 – Práctica 2: preguntas y respuestas con BERT
5.15 – GPT: el aprendizaje NO supervisado en las Redes Transformer
5.16 – Práctica 3: Generación de texto con GPT-2
5.17 – Proyecto final: Clasificación de imágenes con Redes Transformer
5.18 – Ventajas y limitaciones de las Redes Transformer
