Deep Learning

BIENVENIDA

Objetivo

Brindar al participante los elementos teóricos y prácticos básicos alrededor de la programación de REDES NEURONALES ARTIFICIALES. Aprenderá las definiciones y aprenderá a distinguir estrategias y diferentes soluciones a problemas que pueden resolverse con algoritmos de deep learning y aprenderá a usar el conjunto de librerías en Python más novedoso, estructuradas y ampliamente usadas para la creación de estructuras neuronales aplicadas a problemas predictivos, clasificación y segmentación de imagenes, series de tiempo, procesamiento de lenguaje natural (NLP), etc.

Alcances del Programa

Al finalizar este curso, el participante será capaz de consumir, manipular y visualizar información para resolver problemas de propósito general asociados a los datos. Apenderá a implementar diferentes algoritmos de machine learning y mejorar su desempeño predictivo en problemas de clasificación, regresión y segmentación.

Requisitos:

• Computadora con al menos 8Gb Ram
• Instalar Python con versión 3.11 o superior
• Instalar un IDE preferido. Jupyter, RStudio, Spyder, VSCode, Colab

Temario:

00. Instalación

01. Introducción a Deep Learning

02. Preliminares

03. Redes Neuronales Lineales para Regresión

04. Redes neuronales Lineales para Clasificación

05. Perceptrón Multicapa

06. Guía del Constructor

07. Redes Neuronales Convolucionales

08. Redes Neuronales Convolucionales Modernas

09. Redes Neuronales Recurrentes

10. Redes Neuronales Recurrentes Modernas

11. Mecanismos de Atención y Transformers

12. Algoritmos de Optimización

13. Desempeño Computacional

14. Visión por Computadora

15. Procesamiento de Lenguaje Natural: Pre-entrenamiento

16. Procesamiento de Lenguaje Natural: Aplicaciones

17. Aprendizaje por Refuerzo

18. Procesos Gausianos

19. Optimización paramétrica

20. Redes Generativas Adversarias

Código

La mayoría de las secciones de este material presentan código ejecutable. En definitiva algunas intuiciones se desarrollan mejor mediante ensayo y error, modificando el código poco a poco y observando los resultados.

El código será presentado en chunks visibles y detacados respecto del resto del texto. Este puede ser copiador mediante el botón superior del lado derecho para su revisión y replicación en algún otro ambiente de prueba.

import collections
import hashlib
import inspect
import math
import os
import random
import re
import shutil
import sys
import tarfile
import time
import zipfile
from collections import defaultdict
import pandas as pd
import requests
from IPython import display
from matplotlib import pyplot as plt
from matplotlib_inline import backend_inline

Duración y evaluación del programa

• El programa tiene una duración de XXX hrs.

• Las sesiones serán atendidas los días XxXx, de 4:30 pm a 5:45 pm

• Serán asignados ejercicios que el participante deberá resolver entre una semana y otra.

• Durante todo el programa se realizarán prácticas para reforzar el aprendizaje.

Recursos y dinámica

Agenda

Todos los participantes del Hub podrán participar aprendiendo y compartiendo el conocimiento.

Este es nuestro documento para organizarnos internamente en cuanto a los temas a impartir, fechas y orden en que se irá compartiendo cada tema.

Software

En esta clase estaremos usando:

• Python da click aquí si aún no lo descargas
• R & RStudio da click aquí también
• Reticulate da click para aprender
• Bookdown da click aquí también

Bibliografía

	Dive into Deep Learning Autor: Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J. Editorial: Cambridge University Press Año: 2023
	Deep Learning Foundations and Concepts Autor: Christopher M. Bishop with Hugh Bishop Editorial: Springer Año: 2023 ISBN: 978-3-031-45467-7
	Hands On Machine Learning with Scikit-Learn, Keras and TensorFlow Autor: Aurélien Géron Editorial: O´REILLY Año: 2019 ISBN: 978-1-492-03264-9
	Reinforcement Learning Autor: Richard S. Sutton, Andrew G. Barto Editorial: The MIT Press Año: 2018 ISBN: 978-0-262-19398-6
	Bookdown Autor: Yihui Xie Editorial: The R Series Año: 2025