Fundamentos de Redes Neuronales Profundas / I-2025
Anuncios
-
17 Jul 2025:
Tarea 2 publicada. Tomen en cuenta que tiene hard deadline.
- 16 Jul 2025: Nueva clase disponible: 07 - Transformers [PDF Sin anotaciones] [PDF Sin anotaciones] [Link de YouTube - Teoría] [Link de YouTube - Práctica]
- 9 Jul 2025: Nueva clase disponible: 06 - Embeddings [Jupyter Notebook] [Link de YouTube]
- 4 Jul 2025: Nueva clase disponible: 05 - Stacked Autoencoders [Jupyter Notebook] [Link de YouTube]
Índice
Descripción del curso
Las Redes Neuronales Profundas (RNP, en inglés Deep Neural Network o DNN) son, hoy día, los modelos matemáticos de mayor uso en el sub campo de Inteligencia Artificial enfocado en aprendizaje automático. Al finalizarEn este curso, los estudiantes tendrán la capacidad de comprender teóricamente los fundamentos de las RNP, cómo entrenar RNP e identificar qué arquitectura es apropiada para el problema a resolver. Recorriendo desde identificación de componentes, a la aplicación de algoritmos para encontrar eficientemente los modelos y comprensión de los modelos más usados en la industria hoy en día, aprenderán, entre muchos tópicos, sobre:
- Redes Neuronales Convolucionales (ResNet y AlexNet)
- Redes Neuronales Recurrentes (LSTM);
- Arquitecturas Transformer y mecanismos de atención (Bert) Modelos Grandes de Lenguaje (LLMsChat GPT);
- Redes Neuronales Generativas Adversarias (StyleGAN);
- Optimización y regularización de RNP.
Finalmente, se discutirá una sección sobre aplicaciones de problemas de la vida real aplicados a distintas áreas como salud, deportes, sistemas de recomendación entre otros.
Objetivos
Al finalizar el curso el estudiante debe ser capaz de:
- Aplicar los conceptos avanzados, teóricos y tecnológicos, asociados a las RNP.
- Identificar qué arquitectura tradicional es útil para los datos disponibles y ser capaz de entender nuevas arquitecturas al tener una formación teórica sobre conceptos básicos de RNP.
- Aplicar los métodos y herramientas aprendidas en el proceso formativo y profundizar conocimientos en el campo de aprendizaje automático.
Contenido temático
Tema 1: Fundamentos de Redes Neuronales profundas
Introducción al aprendizaje. Definición explícita de aprendizaje de representaciones a partir de datos. Categorías de modelos de aprendizaje automático: aprendizaje supervisado y aprendizaje no supervisado. Breve introducción a algoritmos de minimización de funciones (método del descenso del gradient). Introducción a teoría de computación eficiente (problema del desvanecimiento de gradiente) y hardware moderno para entrenamiento de redes neuronales profundas.
Tema 2: Componentes de las Redes Neuronales profundas
Definiciones y conceptos básicos sobre capas. Tipos de capas: lineales, completamente conectadas, convolucionales, de atención entre otras. Funciones de activación. Pooling.
Tema 3: Arquitecturas modernas de Redes Neuronales profundas
Definiciones y conceptos básicos sobre arquitecturas comunes en el contexto de RNP. Redes Neuronales Convolucionales (casos de estudio ResNet y AlexNet); Redes Neuronales Recurrentes (caso de estudio LSTM); Modelos Grandes de Lenguaje (caso de estudio: ChatGPT) y Redes Neuronales Generativas Adversarias (caso de estudio: StyleGAN).
Tema 4: Optimizando redes neuronales profundas
Optimización de hiperparámetros y regularización. Definiciones y conceptos básicos sobre regularización de modelos de redes neuronales profundas. Aplicaciones de normalización por lotes, dropout y normalización de capas.
La descripcion del curso provee solo una guía de los temas que podemos ver en el curso. Dependiendo del semestre el contenido final puede variar
Evaluaciones
| Tareas y asignaciones | Exámenes | Proyectos | Total |
|---|---|---|---|
| 30% | 40% | 30% | 100% |
Proyecto
| Todos los Grupos | |
|---|---|
| Fecha de envío | Por definir |
| Fecha de presentación | Por definir |
| Asignados | Por definir |
| Link | Por definir |
Exámenes teóricos
| Parcial 1 | Parcial 2 | |
|---|---|---|
| Fecha | Por definir | Por definir |
| Temas | Por definir | Todos |
| Link | Por definir | Por definir |
Asignaciones
| Tarea 1 | Tarea 2 | |
|---|---|---|
| Fecha | Por definir | Por definir |
| Temas | Por definir | Por definir |
| Link | Por definir | Por definir |
| Material | Por definir | Por definir |
| Nota |
Código de honor
Pueden (y aliento fírmemente) discutir con otros estudiantes del curso sobre los proyectos y laboratorios. Sin embargo, debe entender bien sus soluciones y cada entregable debe ser personal o grupal, de tal manera que esté escrito de forma aislada.
El grupo docente se reserva el derecho de interrogar sobre laboratorios, exámenes y proyectos.
Qué podemos hacer?
- Discutir cómo implementar un algoritmo.
- Qué tipo de bibliotecas usar?
- Cómo puedo instalar un framework?
Uso de internet
También puedes consultar Internet para obtener información, siempre que no revele la solución. Si una pregunta te pide que diseñes e implementes un algoritmo para un problema, está bien si encuentras información sobre cómo resolver un problema pero no está bien si buscas el código o el algoritmo para el problema que te están preguntando.
Proyectos
Para los proyectos, puedes hablar con otros alumnos del curso sobre dudas sobre el lenguaje de programación, librerías, algún tema de API, etcétera, pero tanto las soluciones como la programación deben ser tuyas.
Uso de LLM
Lo mismo se aplica a las herramientas de IA generativa, como ChatGPT, Bard, Bing, etc. Estas pueden ser herramientas útiles en tu trabajo. Sin embargo, el uso de dichas herramientas cuando no esté explícitamente permitido será tratado como plagio y está estrictamente prohibido.
Cualquier duda pueden contactar al grupo docente.
