Curso Online en Deep Learning y Redes Neuronales Fundamentos y Aplicaciones

1.    Fundamentos matemáticos y computacionales para el aprendizaje profundo

1.1.  Álgebra lineal aplicada a redes neuronales

1.2.  Cálculo diferencial y optimización para funciones de coste

1.3.  Fundamentos de probabilidad y estadística en modelos de aprendizaje

1.4.  Herramientas computacionales y entornos de desarrollo para Deep Learning

1.5.  Procesamiento y preparación de conjuntos de datos para modelos de aprendizaje profundo

2.    Introducción a las redes neuronales artificiales y el perceptrón

2.1.  Orígenes biológicos e inspiración neuronal de las redes artificiales

2.2.  El perceptrón simple: estructura, funcionamiento y limitaciones

2.3.  El perceptrón multicapa como solución a problemas no lineales

2.4.  Propagación hacia adelante (forward propagation) en redes multicapa

2.5.  Introducción al concepto de aprendizaje por representaciones jerárquicas

2.6.  Diferencias fundamentales entre aprendizaje automático clásico y aprendizaje profundo

3.    Proceso de entrenamiento y algoritmos de optimización en redes neuronales

3.1.  Formulación del problema de aprendizaje como un problema de optimización

3.2.  Algoritmo de retropropagación del error (backpropagation)

3.3.  Algoritmos de optimización basados en descenso de gradiente

3.4.  Estrategias de inicialización de pesos y su impacto en la convergencia del modelo

3.5.  Evaluación del proceso de entrenamiento mediante métricas y curvas de aprendizaje

4.    Redes neuronales convolucionales para el procesamiento de imágenes

4.1.  Fundamentos del procesamiento de imágenes y la visión por computador

4.2.  Arquitectura y componentes esenciales de las redes neuronales convolucionales

4.3.  Mecanismos de extracción jerárquica de características visuales

4.4.  Arquitecturas emblemáticas en la evolución de las redes convolucionales

4.5.  Aplicaciones prácticas en tareas de visión por computador

4.6.  Implementación práctica de una red convolucional completa con frameworks actuales

5.    Redes neuronales recurrentes y procesamiento de datos secuenciales

5.1.  Naturaleza de los datos secuenciales y temporales en el aprendizaje profundo

5.2.  Arquitectura y funcionamiento de las redes neuronales recurrentes básicas (RNN)

5.3.  Redes de memoria a largo-corto plazo (LSTM) y su mecanismo de puertas

5.4.  Unidades recurrentes con compuerta (GRU) como alternativa simplificada a LSTM

5.5.  Arquitecturas bidireccionales y apiladas para la captura de contexto completo

5.6.  Aplicaciones en procesamiento de lenguaje natural y análisis de series temporales

6.    Mecanismos de atención y arquitectura Transformer

6.1.  Limitaciones de las redes recurrentes y surgimiento de los mecanismos de atención

6.2.  Fundamentos teóricos del mecanismo de atención (attention mechanism)

6.3.  La arquitectura Transformer: diseño y componentes fundamentales

6.4.  Modelos de lenguaje preentrenados basados en la arquitectura Transformer

6.5.  Vision Transformers (ViT) y la extensión de los Transformers al dominio visual

6.6.  Impacto de la arquitectura Transformer en el paradigma actual del Deep Learning

7.    Técnicas de regularización, generalización y mejora del rendimiento de modelos

7.1.  El problema del sobreajuste y la capacidad de generalización en redes profundas

7.2.  Técnicas de regularización explícita aplicadas a redes neuronales

7.3.  Normalización de activaciones para estabilizar el proceso de entrenamiento

7.4.  Técnicas de aumento de datos (data augmentation) para mejorar la robustez del modelo

7.5.  Estrategias de validación cruzada y selección óptima de hiperparámetros

8.    Modelos generativos profundos y aprendizaje no supervisado

8.1.  Introducción al aprendizaje generativo y sus diferencias con el enfoque discriminativo

8.2.  Autoencoders y autoencoders variacionales (VAE)

8.3.  Redes generativas antagónicas (GAN)

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

8.5.  Aplicaciones creativas e industriales de los modelos generativos profundos

9.    Aprendizaje por transferencia, despliegue y operación de modelos en producción

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

9.2.  Compresión y optimización de modelos para entornos con recursos limitados

9.3.  Despliegue de modelos de Deep Learning en entornos de producción

9.4.  Introducción a MLOps: ciclo de vida operacional de modelos de aprendizaje profundo

9.5.  Consideraciones de escalabilidad y rendimiento en la fase de inferencia

10.    Aplicaciones sectoriales, ética e interpretabilidad y tendencias futuras del Deep Learning

10.1.  Aplicaciones del Deep Learning en el sector salud y ciencias de la vida

10.2.  Aplicaciones en conducción autónoma y robótica inteligente

10.3.  Aplicaciones en procesamiento avanzado de lenguaje natural y sistemas conversacionales

10.4.  Deep Learning aplicado a finanzas, industria manufacturera y sostenibilidad medioambiental

10.5.  Interpretabilidad y explicabilidad de modelos de aprendizaje profundo

10.6.  Consideraciones éticas, sesgos algorítmicos y marco regulatorio

10.7.  Tendencias emergentes y líneas de investigación abiertas en aprendizaje profundo