Curso Online en Deep Learning y Redes Neuronales Artificiales Aplicadas

1.    Fundamentos matemáticos y computacionales para el aprendizaje profundo

1.1.  Álgebra lineal aplicada a las redes neuronales artificiales

1.2.  Cálculo diferencial y optimización multivariable para el entrenamiento de modelos

1.3.  Fundamentos de probabilidad y estadística para modelos de aprendizaje profundo

1.4.  Teoría de la información aplicada al aprendizaje profundo: entropía, divergencia y pérdida

1.5.  Arquitecturas de hardware y computación paralela para deep learning

2.    Arquitectura y funcionamiento de las redes neuronales artificiales

2.1.  El perceptrón: origen histórico y evolución de la neurona artificial

2.2.  Estructura y componentes de una red neuronal feedforward multicapa

2.3.  Funciones de activación y su influencia en la capacidad de aprendizaje

2.4.  Funciones de pérdida para la cuantificación del error del modelo

2.5.  Redes neuronales como aproximadores universales de funciones

2.6.  Diseño de la topología de red: criterios para definir profundidad, anchura y conectividad

3.    Procesos de entrenamiento y optimización de redes neuronales profundas

3.1.  Algoritmo de retropropagación del error (backpropagation)

3.2.  Descenso del gradiente y sus variantes fundamentales

3.3.  Estrategias de inicialización de pesos y su impacto en la convergencia

3.4.  Programación de la tasa de aprendizaje (learning rate scheduling)

3.5.  Diagnóstico y resolución de gradientes desvanecientes y explosivos

3.6.  Normalización de activaciones: batch normalization, layer normalization y variantes

3.7.  Monitorización del proceso de entrenamiento mediante curvas de aprendizaje y métricas

4.    Técnicas de regularización y estrategias de generalización en deep learning

4.1.  El dilema sesgo-varianza en el contexto del aprendizaje profundo

4.2.  Técnicas de regularización explícita aplicadas a redes neuronales

4.3.  Aumento de datos (data augmentation) como estrategia de regularización implícita

4.4.  Estrategias de partición de datos y validación cruzada para modelos profundos

4.5.  Evaluación sistemática del sobreajuste y el subajuste en redes profundas

5.    Redes neuronales convolucionales para el procesamiento de imágenes y señales

5.1.  Fundamentos de la operación de convolución en redes neuronales

5.2.  Arquitecturas convolucionales clásicas y su contribución al avance del campo

5.3.  Arquitecturas convolucionales modernas de alto rendimiento

5.4.  Aplicaciones prácticas en clasificación, detección y segmentación de objetos

5.5.  Convoluciones especializadas: dilatadas, separables en profundidad y deformables

5.6.  Visualización e interpretación de las características aprendidas por redes convolucionales

6.    Redes neuronales recurrentes y modelos para el procesamiento de datos secuenciales

6.1.  Fundamentos del procesamiento secuencial con redes recurrentes

6.2.  Redes LSTM (Long Short-Term Memory) y su mecanismo de compuertas

6.3.  Redes GRU (Gated Recurrent Unit) como alternativa eficiente a las LSTM

6.4.  Arquitecturas recurrentes avanzadas para el modelado de secuencias complejas

6.5.  Aplicaciones representativas en procesamiento de lenguaje natural y series temporales

6.6.  Modelos secuencia a secuencia (seq2seq) y su aplicación en tareas de traducción

7.    Arquitecturas basadas en mecanismos de atención y modelos Transformer

7.1.  Origen y motivación del mecanismo de atención en redes neuronales profundas

7.2.  Mecanismo de autoatención (self-attention) y atención multi-cabeza

7.3.  Arquitectura completa del modelo Transformer original

7.4.  Modelos de lenguaje preentrenados de gran escala basados en Transformer

7.5.  Técnicas de adaptación y ajuste fino de grandes modelos preentrenados

7.6.  Aplicaciones de la arquitectura Transformer fuera del procesamiento de lenguaje natural

8.    Modelos generativos: autoencoders variacionales, redes adversarias y modelos de difusión

8.1.  Introducción a los modelos generativos y su distinción de los modelos discriminativos

8.2.  Autoencoders y sus variantes para el aprendizaje de representaciones latentes

8.3.  Redes generativas adversarias (GANs): arquitectura y entrenamiento adversario

8.4.  Modelos de difusión para la generación de contenido de alta calidad

8.5.  Evaluación cuantitativa de modelos generativos: métricas FID, IS y KID

8.6.  Aplicaciones prácticas de los modelos generativos en contextos profesionales e industriales

9.    Aprendizaje por transferencia, autosupervisado y técnicas avanzadas de entrenamiento

9.1.  Fundamentos y estrategias del aprendizaje por transferencia (transfer learning)

9.2.  Aprendizaje multitarea y su implementación en arquitecturas de redes neuronales

9.3.  Aprendizaje con escasos ejemplos (few-shot learning) y sin ejemplos (zero-shot learning)

9.4.  Aprendizaje autosupervisado y contrastivo para el preentrenamiento de representaciones

9.5.  Introducción al aprendizaje por refuerzo profundo (deep reinforcement learning)

10.    Frameworks, herramientas y entornos de desarrollo para proyectos de deep learning

10.1.  Panorama del ecosistema de herramientas de software para el aprendizaje profundo

10.2.  Desarrollo de modelos de deep learning con PyTorch

10.3.  Desarrollo de modelos de deep learning con TensorFlow y Keras

10.4.  Bibliotecas de alto nivel: Hugging Face Transformers, PyTorch Lightning y FastAI

10.5.  Entornos de desarrollo y plataformas de computación en la nube

10.6.  Seguimiento y control de experimentos con Weights & Biases, MLflow y Neptune

11.    Despliegue, escalabilidad y operaciones de modelos en producción (MLOps)

11.1.  Ciclo de vida completo de un proyecto profesional de deep learning

11.2.  Preparación y optimización de modelos para entornos de producción

11.3.  Estrategias de despliegue de modelos de aprendizaje profundo

11.4.  Principios y prácticas fundamentales de MLOps aplicados al deep learning

11.5.  Gestión de datos a gran escala y versionado de datasets para el entrenamiento

11.6.  Estrategias de escalabilidad: entrenamiento distribuido y paralelismo de datos y modelos

12.    Ética, interpretabilidad y tendencias futuras en el aprendizaje profundo

12.1.  Interpretabilidad y explicabilidad de modelos de deep learning

12.2.  Sesgos algorítmicos y equidad en los sistemas basados en aprendizaje profundo

12.3.  Marco regulatorio y normativo aplicable a los sistemas de inteligencia artificial

12.4.  Impacto ambiental y sostenibilidad del entrenamiento de modelos a gran escala

12.5.  Fronteras de la investigación y tendencias emergentes en deep learning