El Deep Learning es una rama de la inteligencia artificial que utiliza redes neuronales artificiales para aprender y realizar tareas complejas.
En este módulo los estudiantes aprenderán técnicas de Deep Learning, incluyendo la arquitectura y funcionamiento de las redes neuronales.
También se explorarán aplicaciones prácticas de la tecnología en diferentes áreas, como el procesamiento de imágenes con redes convolucionales, el procesamiento de secuencias con redes recurrentes, la predicción de series temporales, el procesamiento de lenguaje natural (NLP) y los modelos generativos, así como los últimos avances en deep learning (ChatGPT, DALL-E …) poniendo el foco en sus aplicaciones comerciales.
Índice de contenidos:
Deep Learning. Introducción y fundamentos de las redes neuronales.
El deep learning difiere por su capacidad para trabajar con datos no estructurados, como imágenes y texto, y para aprender y mejorar con más datos utilizando una estructura jerárquica de capas de procesamiento que imita la forma en que el cerebro humano procesa la información.
En este bloque los alumnos aprenderán técnicas para analizar y aprender patrones complejos en grandes conjuntos de datos. Se estudiará el modelo bio-inspirado, perceptrones., funciones de activación, Keras y Tensorflow 2 entre otros.
Inteligencia Artificial: Procesamiento de imágenes con redes convolucionales (CNN).
Este bloque está diseñado para proporcionar una comprensión sólida de los principios fundamentales del procesamiento de imágenes con redes convolucionales, así como para proporcionar habilidades prácticas para aplicar estas técnicas en el mundo real. Los estudiantes aprenderán a diseñar y entrenar redes convolucionales para tareas de clasificación y segmentación de imágenes, y adquirirán una comprensión profunda de los enfoques más avanzados en el campo de las CNNs.
Se estudiará computer vision, convolución, capas (pooling, rectificación, flatten), transfer learning, entre otros.
Inteligencia Artificial: Predicción de series temporales con redes recurrentes (RNN).
Este bloque está diseñado para proporcionar una comprensión sólida de los principios fundamentales del uso de RNNs para la predicción de series temporales, así como para proporcionar habilidades prácticas para aplicar estas técnicas en el mundo real. Los estudiantes aprenderán a diseñar y entrenar RNNs para realizar predicciones precisas de series de tiempo en diferentes aplicaciones. También adquirirán una comprensión profunda de los enfoques más avanzados y recientes en el campo de las RNNs.
Se estudiará procesamiento de secuencias, introducción a las redes recurrentes y tipos de RNNs: LSTM, GRU, Biderectionals.
Inteligencia Artificial: Introducción al procesamiento de lenguaje natural (NLP).
Este bloque está diseñado para proporcionar una comprensión sólida de los principios fundamentales del procesamiento de lenguaje natural, como rama de la IA que se centra en a interacción entre los humanos y las máquinas mediante el lenguaje natural.
Se estudiará Words embeddings, aplicación del deep learning al NLP, modelos de secuencia a secuencia, modelos de atención y mecanismos de atención, tansformers, últimos modelos y estado del arte (GPT3, chatGPT).
Inteligencia Artificial: Modelos generativos.
Los estudiantes aprenderán a entrenar y evaluar modelos generativos en diferentes dominios, como imágenes, texto y sonido. También se explorarán las aplicaciones prácticas de los modelos generativos, como la generación de imágenes y la síntesis de voz. Entre otros: autoencoders, GANs. y últimos