Curso libreInteligencia artificial y datos
Redes neuronales desde cero
El curso Redes neuronales desde cero proporciona al estudiante la comprensión del funcionamiento de las redes neuronales implementando una con NumPy y luego con PyTorch: neuronas, funciones de activación, retropropagación y entrenamiento. Le sirve para entender la base del aprendizaje profundo moderno y diagnosticar problemas de entrenamiento como el sobreajuste.
A quién va dirigido
Personas con Python y nociones de álgebra lineal y derivadas.
Objetivos
✓Comprender el perceptrón, las funciones de activación sigmoide, ReLU y softmax, la función de pérdida y el descenso de gradiente.
✓Analizar la retropropagación del error mediante la regla de la cadena y el grafo computacional.
✓Aplicar tensores, autograd y nn.Module de PyTorch para entrenar una red que clasifique los dígitos MNIST.
✓Diseñar un ciclo de entrenamiento efectivo con optimizador Adam, dropout y normalización por lotes.
✓Evaluar el entrenamiento con curvas de pérdida para diagnosticar sobreajuste y aplicar regularización.
Plan de estudios por sesión
1
La neurona artificialPerceptrón, combinación lineal y funciones de activación sigmoide, ReLU y softmax · Función de pérdida y descenso de gradiente
2
RetropropagaciónRegla de la cadena y grafo computacional · Implementación desde cero con NumPy y verificación de gradientes
3
Redes con PyTorchTensores, autograd y construcción de modelos con nn.Module · Ciclo de entrenamiento y clasificación de dígitos MNIST
4
Presentación del proyecto final: red desde cero frente a PyTorchTasa de aprendizaje, optimizador Adam, dropout y normalización por lotes · Monitoreo de curvas de entrenamiento y comparación de desempeño
Evaluación
Inicial30%Implementación en NumPy de un perceptrón con funciones de activación y descenso de gradiente.
Intermedio30%Taller de retropropagación con verificación de gradientes y entrenamiento de una red en PyTorch sobre MNIST.
Final40%Proyecto final: red implementada desde cero y su equivalente en PyTorch con comparación de desempeño, con sustentación.
Proyecto final
Red neuronal implementada desde cero y su equivalente en PyTorch, con comparación de desempeño en un problema de clasificación.