• ES Español
• EN English

5.41. Aprendizaje Profundo (Obligatorio)

5.41.1. Justificación ↑ Volver arriba

Este curso cubre los fundamentos del aprendizaje profundo moderno, incluyendo redes neuronales convolucionales, arquitecturas de transformers, y técnicas de entrenamiento para sistemas de inteligencia artificial avanzada.

5.41.2. Objetivos Generales ↑ Volver arriba

1. Implementar redes neuronales profundas usando frameworks modernos (PyTorch/TensorFlow)
2. Diseñar arquitecturas para problemas específicos (visión, lenguaje, etc.)
3. Analizar limitaciones éticas de modelos profundos

5.41.3. Contribución a los resultados (Outcomes) ↑ Volver arriba

AG-C09) Diseño y Desarrollo de Soluciones: Diseña, implementa y evalúa soluciones para problemas complejos de computación. (Usage)

AG-C11) Uso de Herramientas: Aplica herramientas modernas de computación en la resolución de problemas. (Assessment)

5.41.4. Contenido ↑ Volver arriba

5.41.4.1. Fundamentos de DL (15 horas) [Habilidades AG-C09,AG-C11] ↑ Volver arriba

Referencias Bibliográficas: (Goodfellow et al., 2016b)

Temas

1. Backpropagation moderno
2. Regularización (Dropout, BatchNorm)
3. Optimizadores avanzados

Aprendizaje esperado (Learning Outcomes)

1. Implementar redes DNN desde cero [Evaluar]
2. Diagnosticar problemas de entrenamiento [Usar]

5.41.4.2. Arquitecturas Avanzadas (25 horas) [Habilidades AG-C09,AG-C11] ↑ Volver arriba

Referencias Bibliográficas: (Vaswani et al., 2017; He et al., 2016)

Temas

1. ResNets y CNN profundas
2. Transformers y atención
3. Modelos generativos (VAEs, GANs)

Aprendizaje esperado (Learning Outcomes)

1. Adaptar arquitecturas a dominios específicos [Evaluar]
2. Entrenar transformers en datasets reales [Usar]

5.41.5. Referencias Bibliográficas ↑ Volver arriba

Goodfellow, I., Bengio, Y., and Courville, A. (2016b). Deep Learning. MIT Press.

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A., Kaiser, L., and Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30.

He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep residual learning for image recognition. CVPR, pages 770–778.