Fundamentos de
Deep Learning
Descubre cómo funcionan las redes neuronales y aplícalas en casos reales.
- Todos los cursos
- Certificados verificables
- Sesiones en vivo mensuales
Descripción
Explora el poder del Deep Learning con este curso diseñado para llevarte desde los conceptos fundamentales hasta la implementación de redes neuronales con Keras y PyTorch. A lo largo del curso comprenderás cómo funcionan las redes neuronales desde cero, dominarás los principios matemáticos que las sustentan, y aprenderás a entrenarlas eficazmente utilizando técnicas modernas de propagación hacia adelante y hacia atrás. Este curso es ideal para quienes buscan iniciarse en el mundo de Deep Learning o fortalecer su base técnica con un enfoque claro, práctico y orientado a resultados reales.
Lo que aprenderás
Contenido del curso
Fundamentos Conceptuales de Deep Learning
Se presentarán los conceptos básicos del Deep Learning, incluyendo qué son las redes neuronales, sus aplicaciones, diferencias entre neuronas naturales y artificiales, y una introducción a los modelos como la regresión logística.
- →¿Qué es el Deep Learning?
- →Redes neuronales vs. neurona biológica
- →Aplicaciones reales en la industria
- →Introducción a la regresión logística
Modelado Matemático de Neuronas Artificiales
Se explorará el funcionamiento interno de las neuronas artificiales desde una perspectiva matemática, abarcando funciones de activación como la sigmoidal, su implementación práctica, y cómo se construyen redes feedforward.
- →Funciones de activación: sigmoide, ReLU, tanh
- →Pesos, sesgos y transformaciones lineales
- →Construcción de redes feedforward
- →Representación matricial de capas
Propagación hacia Adelante (Forward Propagation)
Este módulo se enfocará en cómo fluye la información a través de una red neuronal, cubriendo la propagación hacia adelante, las expresiones matemáticas involucradas, y el entrenamiento básico de una red.
- →Flujo de información en capas
- →Cálculo de activaciones por capa
- →Predicciones con una red simple
- →Entrenamiento básico paso a paso
Propagación hacia Atrás (Backward Propagation)
Se explicará cómo las redes neuronales aprenden mediante la retropropagación del error, abordando funciones de pérdida, descenso del gradiente y otros métodos de optimización para ajustar los pesos de la red.
- →Funciones de pérdida: MSE, Cross-Entropy
- →Regla de la cadena y gradientes
- →Descenso del gradiente (SGD, Adam)
- →Actualización de pesos de la red
Implementación de Redes Neuronales en Keras y PyTorch
En este módulo final se aplicará lo aprendido para implementar redes neuronales reales utilizando las librerías Keras y PyTorch, incluyendo exploración de arquitecturas alternativas y un cierre del curso.
- →Construcción de modelos con Keras
- →Entrenamiento y evaluación en PyTorch
- →Arquitecturas alternativas: CNN, RNN intro
- →Proyecto final: clasificador de imágenes
Conoce al profesor
Oscar Contreras
Inteligencia ArtificialRealizó su licenciatura en Ingeniería de Sistemas y posteriormente obtuvo una Maestría en Informática Avanzada por la Universidad de Bristol (Reino Unido). Cuenta con amplia experiencia en Ingeniería de Software e Ingeniería de Datos.
Cursos relacionados
¿Listo para dominar el Deep Learning?
Únete al Acceso Founder y obtén este curso y más.