• 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. Entrenamiento y Optimización de Redes Neuronales (10 horas) [Habilidades AG-C09,AG-C11] ↑ Volver arriba

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

Temas

1. Backpropagation moderno: grafos computacionales y diferenciación automática
2. Optimizadores avanzados: momentum, RMSProp, Adam, y programación de la tasa de aprendizaje

Aprendizaje esperado (Learning Outcomes)

1. Implementar una red neuronal profunda desde cero, incluyendo su paso de backpropagation [Aplicar]
2. Seleccionar y ajustar un optimizador y su programación de tasa de aprendizaje para la estabilidad del entrenamiento [Aplicar]

5.41.4.2. Técnicas de Regularización para Redes Profundas (5 horas) [Habilidades AG-C09,AG-C11] ↑ Volver arriba

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

Temas

1. Regularización por Dropout
2. Normalización por lotes (Batch Normalization)

Aprendizaje esperado (Learning Outcomes)

1. Diagnosticar el sobreajuste en un entrenamiento usando diagnósticos de regularización [Analizar]
2. Aplicar Dropout y Batch Normalization para mejorar la generalización de un modelo [Aplicar]

5.41.4.3. Arquitecturas de Redes Convolucionales y Residuales (9 horas) [Habilidades AG-C09,AG-C11] ↑ Volver arriba

Referencias Bibliográficas: (He et al., 2016)

Temas

1. Arquitecturas de redes neuronales convolucionales profundas
2. Conexiones residuales y ResNets

Aprendizaje esperado (Learning Outcomes)

1. Diseñar una arquitectura CNN profunda para una tarea de visión dada [Aplicar]
2. Adaptar una arquitectura residual a un dominio de visión específico [Aplicar]

5.41.4.4. Arquitecturas Transformer y Modelos Generativos (16 horas) [Habilidades AG-C09,AG-C11] ↑ Volver arriba

Referencias Bibliográficas: (Vaswani et al., 2017)

Temas

1. Transformers y el mecanismo de atención
2. Modelos generativos: autoencoders variacionales (VAEs) y redes generativas adversariales (GANs)

Aprendizaje esperado (Learning Outcomes)

1. Entrenar un modelo transformer en un dataset real [Aplicar]
2. Analizar y contrastar arquitecturas de modelos generativos VAE y GAN [Analizar]

5.41.5. Referencias Bibliográficas ↑ Volver arriba

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

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

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.