- ES Español (Latinoamérica)

- EN English

2.8. Matemáticas para Inteligencia Artificial (AIM)
Esta área cubre los fundamentos matemáticos avanzados de la inteligencia artificial moderna, con énfasis en la teoría del aprendizaje profundo, arquitecturas neuronales avanzadas, aprendizaje por refuerzo y modelos generativos. Proporciona la comprensión teórica necesaria para desarrollar arquitecturas de IA novedosas, analizar sus propiedades y entender sus limitaciones. El enfoque está en los principios matemáticos que permiten a las máquinas aprender representaciones complejas y tomar decisiones inteligentes.
| Área de Conocimiento (KA) | Core Tier1 | Core Tier2 |
2.8.1 Teoría del Aprendizaje Profundo | 1 | 1 |
2.8.2 Arquitecturas Neuronales Avanzadas | 1 | 1 |
2.8.3 Aprendizaje por Refuerzo | 1 | 1 |
2.8.4 Procesamiento de Lenguaje Natural con Transformers | 1 | 1 |
2.8.5 Modelos Generativos y GANs | 1 | 1 |
2.8.1. AIM/Teoría del Aprendizaje Profundo (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Teoremas de aproximación universal
- Paisaje de optimización de redes profundas
- Generalización en aprendizaje profundo
- Teoría de aprendizaje de representaciones
- Dinámicas de entrenamiento y flujo de gradiente
Aprendizaje esperado (Learning Outcomes):
Core:
- Explicar los teoremas de aproximación universal y sus implicaciones [Familiarizarse]
- Analizar el paisaje de optimización de redes profundas [Evaluar]
- Estudiar fenómenos de generalización en aprendizaje profundo [Evaluar]
- Analizar dinámicas de entrenamiento de redes neuronales [Evaluar]
2.8.2. AIM/Arquitecturas Neuronales Avanzadas (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Redes Neuronales Convolucionales (CNNs)
- Redes Neuronales Recurrentes (RNNs) y LSTMs
- Arquitecturas Transformer
- Mecanismos de atención
- Redes Neuronales de Grafos (GNNs)
Aprendizaje esperado (Learning Outcomes):
Core:
- Diseñar arquitecturas CNN para tareas visuales [Usar]
- Implementar RNNs para modelado de secuencias [Usar]
- Aplicar arquitecturas Transformer a varios dominios [Usar]
- Usar mecanismos de atención en redes neuronales [Usar]
2.8.3. AIM/Aprendizaje por Refuerzo (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Procesos de Decisión de Markov (MDPs)
- Iteración de valor e iteración de política
- Q-learning y aprendizaje por diferencias temporales
- Métodos de gradiente de política
- Aprendizaje por refuerzo profundo
Aprendizaje esperado (Learning Outcomes):
Core:
- Formular problemas como Procesos de Decisión de Markov [Usar]
- Implementar iteración de valor y de política [Usar]
- Aplicar Q-learning para RL libre de modelo [Usar]
- Usar métodos de gradiente de política [Usar]
2.8.4. AIM/Procesamiento de Lenguaje Natural con Transformers (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Arquitectura Transformer y auto-atención
- BERT y modelos de lenguaje pre-entrenados
- Modelos GPT y generación autoregresiva
- Transformers multimodales
- Variantes eficientes de transformers
Aprendizaje esperado (Learning Outcomes):
Core:
- Implementar modelos transformer desde cero [Usar]
- Afinar modelos de lenguaje pre-entrenados [Usar]
- Aplicar modelos GPT para generación de texto [Usar]
- Usar transformers multimodales para tareas cross-modales [Usar]
2.8.5. AIM/Modelos Generativos y GANs (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Redes Generativas Antagónicas (GANs)
- Autoencoders Variacionales (VAEs)
- Flujos normalizantes
- Modelos de difusión
- Evaluación de modelos generativos
Aprendizaje esperado (Learning Outcomes):
Core:
- Implementar GANs para generación de imágenes [Usar]
- Aplicar VAEs para aprendizaje de representaciones latentes [Usar]
- Usar modelos de difusión para generación [Usar]
- Evaluar la calidad de modelos generativos [Evaluar]