Deep Learning: De fundamentos a aplicaciones avanzadas en visión artificial y procesamiento del lenguaje natural

• Introducción a la Inteligencia Artificial 
• Modelos de aprendizaje automático
• Aprendizaje supervisado 
• Aprendizaje no supervisado 
• Aprendizaje por refuerzo 
• Modelos en Deep Learning 
• Introducción al Deep Learning   
• ¿Cuándo usar Deep Learning?

• Introducción a las redes neuronales 
• Redes neuronales y arquitecturas 
• Perceptrón simple y perceptrón multicapa 
• Entrenamiento de las redes neuronales 
• Problemas de entrenamiento 
• ¿Cómo se entrenan las redes neuronales?  
• Pasos del Training Loop 
• ¿Qué es el Batch size?  
• Algoritmo backpropagation y descenso del gradiente 
• Hiperparámetros de entrenamiento 
• Visualización de entrenamiento con Tensorflow playground 
• Preprocesado de datos 
• Funciones de activación y funciones de pérdidas  
• Funciones de activación 
• Funciones de pérdidas 
• Comparativa y resumen 
• Optimización de redes neuronales 
• Introducción al entorno Google Colaboratory 
• Práctica 1: Perceptrón multicapa aplicado a imagen 
• Práctica 1.1: Análisis del problema, carga e inspección de datos  
• Práctica 1.2: Acondicionamiento de los datos 
• Práctica 1.3: Modelado  
• Práctica 1.4: Evaluación final del modelo  
• Práctica 2: Perceptrón multicapa aplicado a texto 
• Práctica 2.1: Análisis del problema, carga, inspección y acondicionamiento de los datos 
• Práctica 2.2: Modelado y evaluación final del modelo 
• Práctica 3: Optimización de redes neuronales

• Introducción Deep Vision 
• Redes neuronales convolucionales
• Tensores en las redes neuronales convolucionales 
• ¿Qué es la convolución? 
• Operación de la convolución  
• Ejemplos de convolución 
• Padding, striding y pooling 
• Arquitectura de las redes neuronales convolucionales
• Ejemplos de redes neuronales convolucionales
• Técnica Data Augmentation 
• Técnica Transfer Learning + Fine Tuning
• Técnica Transfer Learning 

Técnica Fine Tuning 

• Práctica 1: Redes neuronales convolucionales con dataset MNIST 
• Práctica 2: Redes neuronales convolucionales con dataset CIFAR10 
• Práctica 3: Técnica Data Augmentation
• Práctica 4: Técnica Transfer Learning + Fine Tuning 
• Práctica 4.1: Implementación Transfer Learning 
• Práctica 4.2: Implementación Fine Tuning 
• Práctica 5: Ejercicio completo Deep Vision 
• Práctica 5.1: Trabajos previos 
• Práctica 5.2: Estrategias de entrenamiento 
• Práctica 6: Visualización de redes neuronales convolucionales 

• Introducción Procesamiento del lenguaje natural y series temporales
• Definición y casos de uso 
• Codificación de texto 
• Arquitecturas 
• Redes neuronales recurrentes 
• Redes neuronales recurrentes con unidades LSTM 
• Transformers 
• Introducción Transformers 
• Funcionamiento del Encoder 
• Funcionamiento del Decoder 
• Entrenamiento y aplicaciones 
• Arquitecturas y modelos  
• Hugging Face 
• Práctica 1: Codificación de texto 
• Práctica 2: Clasificación de texto con Perceptrón multicapa 
• Práctica 3: Clasificación de texto con LSTM 
• Práctica 4: Clasificación de texto con Transformers
• Práctica 5: Generación de texto con LSTM 
• Práctica 6: Generación de texto con Transformers 

• Técnicas avanzadas en Deep Learning 
• Técnicas avanzadas en visión artificial 
• Bibliografía y recursos recomendados 
• Práctica 1: Red MISO
• Práctica 2: Optimización de hiperparámetros 
• Práctica 3: Tracking de experimentos 
• Práctica 4: Detección de objetos
• Práctica 5: Generación de imágenes