DiplomadoInteligencia artificial y datos
Aprendizaje profundo y redes neuronales
El diplomado Aprendizaje profundo y redes neuronales proporciona al estudiante el diseño y entrenamiento de redes neuronales modernas con PyTorch: redes densas, convolucionales, recurrentes y transformers, con técnicas de optimización, regularización, transferencia de aprendizaje y ajuste fino eficiente. Le permite resolver problemas de visión, texto y series de tiempo con modelos de alto desempeño.
A quién va dirigido
Profesionales y estudiantes con experiencia en Python y aprendizaje automático básico.
Objetivos
✓Comprender el funcionamiento del perceptrón multicapa, las funciones de activación, la retropropagación y el grafo computacional.
✓Analizar el entrenamiento de una red para diagnosticar sobreajuste y el efecto de optimizadores, inicialización y tasas de aprendizaje.
✓Aplicar redes convolucionales, transferencia de aprendizaje con torchvision y modelos recurrentes LSTM y GRU en PyTorch.
✓Diseñar soluciones con transformers ajustados con Hugging Face y LoRA para problemas de texto o series de tiempo.
✓Evaluar y comparar arquitecturas con criterios de desempeño e interpretabilidad, como Grad-CAM, en un informe de experimentos.
Plan de estudios por sesión
1
Redes neuronales desde sus fundamentosPerceptrón multicapa y funciones de activación · Retropropagación y grafo computacional
2
PyTorch y entrenamiento en GPUTensores y autograd en PyTorch · Entrenamiento en GPU con Google Colab
3
Optimización e inicializaciónOptimizadores SGD, Adam y AdamW · Inicialización y normalización por lotes
4
Regularización y programación de la tasa de aprendizajeDropout y aumento de datos · Tasas de aprendizaje y programación
5
Arquitecturas convolucionales y transferenciaConvolución, agrupamiento y arquitecturas ResNet · Transferencia de aprendizaje con torchvision
6
Tareas avanzadas de visión e interpretabilidadDetección y segmentación: panorama · Interpretabilidad con Grad-CAM
7
Redes recurrentes y representación de palabrasRNN, LSTM y GRU · Embeddings de palabras
8
Series de tiempo y límites de la recurrenciaSeries de tiempo con redes recurrentes · Limitaciones y paso a la atención
9
Arquitectura transformer y ajuste finoAutoatención y arquitectura transformer · Ajuste fino con Hugging Face Transformers
10
Ajuste eficiente y modelos generativosAjuste eficiente con LoRA · Modelos de difusión: principios
11
Planteamiento y experimentación del proyecto finalSelección de problema y datos · Entrenamiento y experimentos
12
Presentación del proyecto final: comparación de arquitecturas e informe técnicoInforme técnico · Sustentación
Evaluación
Inicial30%Implementación de un perceptrón multicapa con tensores y autograd en PyTorch; ejercicio de retropropagación sobre un grafo computacional.
Intermedio30%Clasificador de imágenes con transferencia de aprendizaje y aumento de datos; modelo LSTM o GRU para una serie de tiempo con comparación de optimizadores.
Final40%Proyecto final: modelo de aprendizaje profundo para un problema real de visión, texto o series, con comparación de arquitecturas e informe técnico de experimentos, y sustentación.
Proyecto final
Modelo de aprendizaje profundo para un problema real de visión, texto o series, con comparación de arquitecturas e informe de experimentos.