logo-mooc
search-iconsearch-icon
menu-whitemenu-blue
GRATIS
Inicio / Buscador / Matemáticas / Cálculo
Universidad de los Andes vía Coursera
GRATIS

Introducción al deep learning contemporáneo

  • money

    Cursos gratis (Auditar)

    question-mark
  • earth

    Español

  • folder

    Siempre Abierto

  • certificate

    Guía de Registro en Coursera

    arrow
VER CURSO arrow
Acerca de este curso

  • Módulo 1: Introducción al aprendizaje profundo
    • Este módulo proporciona una base sólida en los principios y conceptos fundamentales del Deep Learning. Desde su historia y evolución hasta las aplicaciones contemporáneas, exploraremos los temas clave que abren las puertas a esta disciplina. Estudiaremos los componentes esenciales de una red neuronal, incluida la estructura, las funciones de activación y las funciones de pérdida. Abordaremos también técnicas de optimización como el descenso del gradiente y la retropropagación, y exploraremos la importancia de los parámetros y los hiperparámetros. Al finalizar este módulo, los participantes tendrán una comprensión sólida de los fundamentos del Deep Learning y estarán preparados para profundizar en áreas más avanzadas de esta emocionante disciplina.
  • Módulo 2: Redes neuronales convolucionales y recurrentes
    • En este módulo especializado se exploran técnicas de aprendizaje profundo utilizadas en el procesamiento de datos secuenciales y en el análisis de imágenes. Durante este módulo, se espera que los participantes adquirieran los conocimientos necesarios para comprender y aplicar las redes neuronales convolucionales (CNNs) y las redes neuronales recurrentes (RNNs) en diversas tareas. Comenzaremos comparando las redes neuronales tradicionales (ANNs) con las redes neuronales convolucionales (CNNs), destacando la operación de convolución en las CNNs. Analizaremos la estructura de AlexNet, una arquitectura famosa en la comunidad de Deep Learning. Además, abordaremos la metodología de entrenamiento y definición de tareas para estas redes. A medida que avanzamos, exploraremos los desafíos que surgen al trabajar con datos secuenciales y la información dependiente del tiempo. Introduciremos el concepto de procesamiento de lenguaje natural y nos sumergiremos en las redes neuronales recurrentes (RNNs) y sus diferentes variantes. Discutiremos los tipos de RNNs y los retos que enfrentan, como la dependencia a largo plazo y el desvanecimiento o explosión del gradiente.
  • Módulo 3: Transformers
    • En este modulo se exploran los fundamentos y aplicaciones de los Transformers en el campo del aprendizaje profundo. A lo largo de este módulo, se espera que los participantes adquirieran conocimiento de las estructuras de los Transformers. Se explorarán aspectos claves como el embedding del texto, la codificación posicional y el mecanismo de atención, que permiten a los Transformers capturar relaciones complejas entre los elementos de una secuencia. Además, se abordarán particularidades como el pre-entrenamiento y el aprendizaje de transferencia, y se analizarán las aplicaciones de los Transformers tanto en el procesamiento del lenguaje natural como en el procesamiento de imágenes mediante la arquitectura Transformer Visual.
  • Módulo 4: Inteligencia artificial generativa
    • Este módulo explora las técnicas de generación de datos mediante modelos generativos. A lo largo de este módulo, se espera que los participantes adquieran los conocimientos necesarios para comprender y aplicar distintos enfoques en la generación de datos mediante Deep Learning. Comenzaremos analizando la diferencia entre modelos discriminativos y modelos generativos, y cómo estos últimos nos permiten crear contenido original. Exploraremos el concepto de espacio latente, donde la información se codifica para generar nuevas muestras. Además, estudiaremos la arquitectura de los generadores y discriminadores en el contexto de redes generativas adversariales (GANs). Aprenderemos sobre la metodología de entrenamiento y las funciones de pérdida utilizadas para optimizar estos modelos. Finalmente, exploraremos la intuición detrás de los modelos probabilísticos de difusión y su entrenamiento.