Deep Learning y Redes Neuronales
Explora en profundidad las técnicas más avanzadas de Deep Learning y Redes Neuronales. Aprenderás a diseñar, entrenar y optimizar arquitecturas complejas para resolver problemas de vanguardia en visión por computadora, procesamiento de lenguaje natural y más.
Descripción del curso
El curso de Deep Learning y Redes Neuronales está diseñado para profesionales y estudiantes con conocimientos previos en Machine Learning que desean profundizar en las técnicas más avanzadas de aprendizaje profundo. Durante 12 semanas intensivas, explorarás arquitecturas complejas de redes neuronales y aprenderás a implementar soluciones de vanguardia para problemas desafiantes.
Lo que aprenderás:
- Fundamentos matemáticos del Deep Learning: cálculo, álgebra lineal y optimización
- Arquitecturas de redes neuronales: feedforward, CNN, RNN, LSTM, GRU
- Frameworks avanzados: TensorFlow 2.x y PyTorch
- Técnicas de regularización y optimización
- Transfer Learning y Fine-tuning
- Redes generativas: GAN, VAE
- Arquitecturas de atención y transformers
- Despliegue de modelos de Deep Learning en producción
- Optimización de rendimiento y recursos computacionales
- Implementación de proyectos avanzados de visión por computadora y NLP
Requisitos:
- Conocimientos sólidos de Python y programación orientada a objetos
- Familiaridad con los conceptos básicos de Machine Learning
- Experiencia previa con NumPy, Pandas y bibliotecas científicas
- Recomendable: haber completado nuestro curso de Machine Learning para Ciencia de Datos o similar
- Computadora con GPU (recomendable) para entrenamientos más rápidos
Este curso es ideal para:
- Científicos de datos que desean especializarse en Deep Learning
- Ingenieros de software interesados en aplicaciones de IA avanzada
- Investigadores en visión por computadora o procesamiento de lenguaje natural
- Profesionales técnicos que buscan implementar soluciones de vanguardia
- Graduados en ciencias de la computación, matemáticas o ingeniería
Plan de estudios
Módulo 1: Fundamentos del Deep Learning
- Revisión de conceptos clave de Machine Learning
- Arquitectura básica de redes neuronales
- Funciones de activación y propagación hacia adelante
- Backpropagation y optimización de gradiente
- Configuración de entornos de desarrollo (local y cloud)
Módulo 2: Frameworks de Deep Learning
- Introducción a TensorFlow 2.x
- Introducción a PyTorch
- Keras y APIs de alto nivel
- Computación en GPU y paralelización
- Flujos de trabajo y mejores prácticas
Módulo 3: Redes Neuronales Convolucionales (CNN)
- Arquitectura de CNN: convolución, pooling, padding
- Arquitecturas clásicas: LeNet, AlexNet, VGG
- Arquitecturas modernas: ResNet, Inception, EfficientNet
- Transfer Learning y Fine-tuning
- Proyecto: clasificación de imágenes y detección de objetos
Módulo 4: Redes Neuronales Recurrentes (RNN)
- Arquitectura de RNN y procesamiento secuencial
- Problemas de gradientes que desaparecen/explotan
- LSTM y GRU
- Codificador-Decodificador y Seq2Seq
- Proyecto: análisis de series temporales y predicción
Módulo 5: Mecanismos de Atención y Transformers
- Limitaciones de RNN y soluciones
- Mecanismos de atención
- Arquitectura Transformer
- BERT, GPT y modelos pre-entrenados
- Proyecto: Implementación de un sistema de QA
Módulo 6: Redes Generativas
- Autoencoders y Variational Autoencoders (VAE)
- Redes Generativas Adversarias (GAN)
- Variantes de GAN: DCGAN, CycleGAN, StyleGAN
- Diffusion Models
- Proyecto: generación de imágenes sintéticas
Módulo 7: Técnicas Avanzadas de Optimización
- Regularización: Dropout, BatchNorm, LayerNorm
- Optimizadores avanzados: Adam, RMSProp, AdamW
- Learning rate schedulers
- Técnicas de inicialización de pesos
- Cuantización y poda de modelos
Módulo 8: Visión por Computadora Avanzada
- Detección y segmentación de objetos
- Arquitecturas: YOLO, SSD, Mask R-CNN
- Estimación de pose y seguimiento
- Redes de un solo disparo (one-shot learning)
- Proyecto: sistema de segmentación en tiempo real
Módulo 9: NLP Avanzado
- Word embeddings y contextual embeddings
- Modelos de lenguaje y fine-tuning
- Question answering y summarization
- Generación de texto y conversación
- Proyecto: fine-tuning de modelos pre-entrenados
Módulo 10: Aprendizaje por Refuerzo
- Fundamentos del Reinforcement Learning
- Deep Q-Networks (DQN)
- Policy Gradient y Actor-Critic
- Proximal Policy Optimization (PPO)
- Proyecto: entrenamiento de agentes en entornos virtuales
Módulo 11: Despliegue de Modelos en Producción
- TensorFlow Serving y TorchServe
- Optimización de modelos para producción
- Integración con APIs y microservicios
- Monitoreo y reentrenamiento
- Consideraciones de seguridad y privacidad
Módulo 12: Proyecto Final Integrador
- Definición del problema
- Diseño de arquitectura end-to-end
- Implementación y optimización
- Evaluación y documentación
- Presentación y demostración
Instructores
Dra. Ana Gutiérrez
Experta en Deep Learning
Doctora en Inteligencia Artificial por la UNAM. Ha trabajado como investigadora en DeepMind y tiene más de 20 publicaciones en conferencias como NeurIPS y ICML. Especialista en redes neuronales para visión por computadora y aprendizaje por refuerzo.
Dr. Diego Ramírez
Especialista en NLP y Transformers
PhD en Ciencias Computacionales con especialización en NLP. Ha desarrollado modelos de lenguaje para diversas empresas en América Latina y contribuido a bibliotecas de código abierto como HuggingFace Transformers. Cuenta con vasta experiencia en implementación de soluciones basadas en LLMs.
Reseñas del curso
Ricardo Vega
Este curso transformó mi carrera profesional. La profundidad con la que se tratan los temas de Transformers y redes generativas es impresionante. Los proyectos prácticos son muy desafiantes pero increíblemente útiles. La Dra. Gutiérrez es una excelente instructora que sabe explicar conceptos complejos de manera accesible.
Patricia Ordóñez
El mejor curso de Deep Learning disponible en español. El balance entre teoría y práctica es perfecto, y el contenido está muy actualizado con las últimas tecnologías. Los módulos de CNN y Transformers fueron particularmente útiles para mi trabajo. Las sesiones de codificación en vivo son extremadamente valiosas.
Fernando Morales
Es un curso exigente que requiere dedicación, pero los resultados valen la pena. El Dr. Ramírez es un experto en la materia y su experiencia en la industria aporta un valor incalculable. Gracias a este curso, pude implementar un sistema de visión por computadora en mi empresa que ha mejorado significativamente nuestros procesos.
Cursos relacionados
Machine Learning para Ciencia de Datos
Domina técnicas de ML para análisis predictivo y extracción de conocimiento de datos.
Procesamiento de Lenguaje Natural (NLP)
Especialízate en tecnologías de comprensión y generación de lenguaje humano.
IA para Negocios y Emprendimiento
Implementa soluciones de IA para optimizar procesos empresariales y crear valor.
¿Tienes dudas sobre este curso?
Nuestro equipo está listo para ayudarte a tomar la mejor decisión para tu carrera profesional.