Aprendizaje profundo

Introducción al aprendizaje profundo (aprox. 1 día)

El aprendizaje profundo como tipo de aprendizaje automático

Fundamentos de las redes neuronales (aprox. 4 días)

Perceptrones multicapa

Cálculo de redes neuronales

Optimización de los parámetros del modelo, retropropagación

Bibliotecas de aprendizaje profundo

Regresión frente a clasificación

Funciones típicas de pérdida y activación

Evaluación de la predicción del modelo con métricas

Métricas de regresión y clasificación

Curvas de aprendizaje, sobreajuste y regularización

Optimización de hiperparámetros

Regularización L1/12

Abandono

Parada anticipada

Descenso estocástico del gradiente (SGD)

Optimizador Momentum, Adam

Optimización de la tasa de aprendizaje

Ajuste dinámico de la tasa de aprendizaje

Reducción de la tasa de aprendizaje en la meseta

Optimización de la tasa de aprendizaje con el TensorBoard

Control del proceso de ajuste con callbacks

Guardar y cargar modelos

Red neuronal convolucional (CNN) (aprox. 2 días)

Clasificación de imágenes

Capas convolucionales, capas de agrupamiento

Capas de remodelación, aplanamiento, pooling de media global

Arquitecturas CNN ImageNet-Competition

Redes neuronales profundas, gradientes de fuga, conexiones de salto, normalización por lotes

Aprendizaje por transferencia (aprox. 1 día)

Adaptación y combinación de modelos

Formación previa no supervisada

Aumento de datos de imágenes, IA explicable

Cargador de datos

CNN regional (aprox. 1 día)

Localización de objetos

Segmentación semántica

Problemas de regresión

Redes neuronales ramificadas

Arquitectura YOLO

Modelos U-Net

Métodos de generación creativa de imágenes (aprox. 1 día)

Redes Generativas Adversariales (GAN)

Deepfakes

Modelos de difusión

Superresolución

Suplementación de áreas de imagen

Aplicar modelos de base de Hugging Face

Modelos multimodales

LoRA-Fine-Tuning

Áreas de aplicación de los modelos generativos

Restricciones legales

Redes neuronales recurrentes (aprox. 2 días)

Análisis de secuencias

Capas recurrentes

Retropropagación en el tiempo (BPTT)

Análisis de series temporales

Problemas de gradiente explosivo y evanescente

LSTM (memoria a corto plazo larga)

GRU (Unidad Recurrente Controlada)

RNN profunda

LSTM profunda

Tratamiento de textos mediante redes neuronales (aprox. 2 días)

Preprocesamiento de textos

Incrustación de capas

Clasificación de textos

Análisis de sentimientos

Procesamiento del lenguaje natural (PLN)

Traducciones

Generación de textos

Método secuencia a secuencia, arquitectura codificador-decodificador

Modelos sólo codificador y sólo decodificador

Aplicación local de grandes modelos lingüísticos

Modelos lingüísticos (aprox. 1 día)

Arquitectura transfomérica

Atención y atención múltiple

Codificaciones posicionales

Puesta a punto de grandes modelos lingüísticos

Preguntas frecuentes

Tuberías de generación de texto

Resumen

Chatbots

Recuperación Generación aumentada

Agentes de IA

Aprendizaje profundo por refuerzo (aprox. 1 día)

Control de sistemas dinámicos

Sistemas de agentes

Entrenamiento mediante recompensas

Gradientes de políticas

Aprendizaje Q profundo

Redes neuronales bayesianas (aprox. 1 día)

Incertidumbres en las redes neuronales

Evaluación estadística de las previsiones

Confianza, desviación típica

Datos desequilibrados

Métodos de muestreo

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto