Curso Deep Learning

Aprendizaje Esperado:
• Comprender la aparición de deep learning partiendo desde la inteligencia artificial y luego pasando por machine learning para tener una mirada global de cómo surge deep learning.
• Clasificar los tipos de deep learning y su relación a problemas aplicados en la industria.

Videos de Contenido:
• Introducción a la inteligencia artificial.
• Llegada de machine learning.
• Deep learning.
• ¿Cómo funciona deep learning?
• Video tutorial Google Colab.

Aprendizaje Esperado:
• Comprender los orígenes de las redes neuronales desde la biología para entender su funcionamiento.
• Analizar el modelo perceptrón para comprender sus capacidades en problemas de clasificación automática.
• Comprender la evolución del perceptrón a un modelo multicapa más sofisticado para resolver problemas de clasificación más complejos.
• Formular cómo se entrena una red neuronal para desarrollar aplicaciones en Keras.

Videos de Contenido:
• La neurona y su funcionalidad.
• El perceptrón.
• Explorando las limitaciones del perceptrón.
• Backpropagation.
• Un ejemplo en Keras.

Aprendizaje Esperado:
• Aplicar redes neuronales a casos de clasificación binaria, multiclase, y regresión.
• Comprender diferentes enfoques de regularización para atacar el problema de sobreajuste.
• Analizar el framework de Keras para los diferentes tipos de problemas.
• Comprender el concepto de word embeddings para problemas de procesamiento del lenguaje natural.

Videos de Contenido:
• Casos de aplicación: clasificación binaria.
• Casos de aplicación: clasificación multiclase.
• Casos de aplicación: regresión.
• Regularización.
• Idea de word embeddings.

Aprendizaje Esperado:
• Comparar el manejo de imágenes “tradicional” versus el enfoque con redes convoluciones para evidenciar los beneficios de trabajar con redes convolucionales.
• Comprender los mecanismos detrás de una red neuronal convolucional y de esta forma conocer sus parámetros.
• Analizar la arquitectura de una red neuronal convolucional para problemas de clasificación de imágenes.

Videos de Contenido:
• Cómo se trabajaba con imágenes "antes".
• Diferencias entre una red neuronal tradicional y una convolucional.
• Los tres mecanismos de redes neuronales convolucionales.
• Arquitectura de una red convolucional.

Aprendizaje Esperado:
• Analizar el uso del deep learning para visión computacional en el entorno de trabajo de Keras.
• Aplicar una convnet para diversos problemas de clasificación de imágenes.

Videos de Contenido:
• Entrenar una convnet desde cero.
• Usar una convnet previamente entrenada.
• Visualizando lo que una convnet aprende.

Aprendizaje Esperado:
• Analizar el enfoque de redes neuronales para el caso de datos secuenciales.
• Comprender en qué consiste una red neuronal recurrente y para qué problemas sirve.
• Analizar las principales redes neuronales recurrentes LSTM y GRU para datos secuenciales.

Videos de Contenido:
• Datos secuenciales.
• Redes neuronales recurrentes.
• Limitaciones de redes neuronales recurrentes.
• La celda LSTM y GRU.

Aprendizaje Esperado:
• Comprender cómo funcionan los modelos de redes neuronales recurrentes en Keras para problemas con datos secuenciales.
• Aplicar manejo de pilas de capas recurrentes y regularización para mejorar el desempeño de una RNN.
• Comparar otros enfoques: RNN Bidireccionales y convnets 1-D, que pueden mejorar el desempeño de una RNN convencional.

Videos de Contenido:
• Una capa recurrente en Keras.
• Un ejemplo usando LSTM en Keras.
• Un ejemplo usando GRU en Keras.
• Uso de RNN Bidireccionales.
• Manejo de secuencias con convnets 1-D.

Aprendizaje Esperado:
• Aplicar LSTM en series de tiempo univariadas y multivariadas para problemas predictivos.
• Comprender la arquitectura del transformer para el problema de traducción automática.
• Aplicar un transformer en Keras para un problema de clasificación de sentimiento.

Videos de Contenido:
• LSTM para serie de tiempo de datos financieros univariado y multivariado.
• Arquitectura del transformer, encoder-decoder.
• Embedding de entrada y codificación posicional, softmax y probabilidades de salida.
• Self-attention, interior del bloque del encoder.
• Interior del bloque del decoder.
• Ejemplo de clasificación usando transformer para reseñas de productos de guaguas en Amazon.