Curricula CS-UNI

5.41. AI264. Aprendizaje Profundo (Obligatorio)

Semestre: 7mo Sem. Créditos: 4
Horas del curso: Teoría: 2 horas; Laboratorio: 4 horas;
Prerrequisitos:
- AI263. Introducción al Aprendizaje de Máquina (6to Sem)

Figura 5.41: Mapa de Conexión. AI264 Aprendizaje Profundo

5.41.1. Justificación

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

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)

: 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

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

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]

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

: [Goodfellow et al., 2016b]
: [Vaswani et al., 2017]
: [He et al., 2016]