Codificando Bits

Introducción al Aprendizaje Automático

Elementos básicos de un sistema de Deep Learning

Inteligencia Artificial vs Machine Learning vs Deep Learning

Evolución del Deep Learning y casos de éxito

Definiciones básicas del Deep Learning

Preparación del entorno Python: Google Colab

Introducción a Python para Deep Learning

Introducción a Numpy para Deep Learning

Introducción a Matplotlib para Deep Learning

Introducción a Pandas para Deep Learning

Elementos esenciales de Álgebra Lineal para Deep Learning

Elementos esenciales de Cálculo Diferencial para Deep Learning

Elementos esenciales de Probabilidad para Deep Learning

Introducción

El algoritmo del Gradiente Descendente

La Regresión Lineal

Práctica 1: la Regresión Lineal desde cero en Python

La Regresión Lineal Múltiple

Gradiente Descendente estocástico con "mini-batch"

Práctica 2: la Regresión Lineal en Keras

La Neurona Artificial

La entropía cruzada: entrenamiento de la Neurona Artificial

Práctica 3: la Neurona Artificial en Keras

La Clasificación Multiclase

Práctica 4: Clasificación Multiclase en Keras

Idea intuitiva acerca de las Redes Neuronales

Las Funciones de Activación

Entrenamiento de una Red Neuronal: Forward y Backward Propagation

Práctica 5: detección de partículas con Redes Neuronales

Los sets de entrenamiento, prueba y validación

Underfitting y overfitting

Práctica 6: cómo crear, entrenar y validar una Red Neuronal en Keras

Técnicas de Regularización

Otros algoritmos de optimización: gradiente descendente estocástico y mini-batch gradient descent

Otros algoritmos de optimización: Gradiente Descendente + Momentum

Otros algoritmos de optimización: RMSPROP

Otros algoritmos de optimización: Adam

Aspectos prácticos para la implementación de Redes Neuronales

Proyecto final (parte 1): Predicción del Riesgo de Diabetes con Redes Neuronales - El problema a resolver

Proyecto final (parte 2): Análisis Exploratorio de Datos y Manejo de Datos Faltantes

Proyecto final (parte 3): Pre-procesamiento y creación de los sets de entrenamiento, prueba y validación

Proyecto final (parte 4): entrenamiento y validación preliminar

Proyecto final (parte 5): cross-validation, sugerencias finales y conclusiones

Introducción

El sistema de visión humano y las Redes Convolucionales

Retos del procesamiento de imágenes y limitaciones de las Redes Neuronales

El filtro o kernel

La convolución

El "padding"

Los "strides"

Convolución en imágenes con múltiples canales de entrada (volúmenes)

Convolución con múltiples filtros

"Pooling"

Arquitectura de una Red Convolucional

LeNet

Práctica 1: clasificación de imágenes usando la red "LeNet"

AlexNet y VGGNet

Práctica 2: transferencia de aprendizaje con VGG-16

GoogLeNet y ResNet

Práctica 3 (parte 1): segmentación con Redes Convolucionales - la segmentación y el problema a resolver

Práctica 3 (parte 2): segmentación con Redes Convolucionales - entrenamiento y segmentación con U-Net

Proyecto final: Detección de Objetos Multiclase (parte 1): La Detección de Objetos y el Problema a Resolver

Proyecto final: Detección de Objetos Multiclase (parte 2): Preparación del Set de Datos

Proyecto final: Detección de Objetos Multiclase (parte 3): Creación y Entrenamiento de la Red Convolucional

Proyecto final: Detección de Objetos Multiclase (parte 4) : Detección de Objetos con la Red Entrenada

Introducción: las Redes Neuronales Recurrentes y el concepto de secuencia

Principio de funcionamiento de una Red Neuronal Recurrente

Arquitectura de una Red Neuronal Recurrente

Una Red Neuronal Recurrente en acción: ejemplo paso a paso

Entrenamiento: "backpropagation" a través del tiempo

Diferentes configuraciones de Redes Recurrentes

Práctica 1: Generación de Texto (parte 1): el set de datos y el modelo a implementar

Práctica 1: Generación de Texto (parte 2): entrenamiento del modelo y generación de texto

Limitaciones de las Redes Neuronales Recurrentes

Las Redes LSTM (parte 1): las compuertas y la celda de memoria candidata

Las Redes LSTM (parte 2): actualización de la celda de memoria y del estado oculto

Práctica 2: Análisis de sentimientos con Redes LSTM (parte 1): el modelo a implementar y el set de datos

Práctica 2: Análisis de sentimientos con Redes LSTM (parte 2): implementación de la Red y clasificación de sentimientos

Proyecto final: Predicción de Demanda Energética con Redes LSTM (parte 1): series de tiempo, el problema a resolver y el set de datos

Proyecto final: Predicción de Demanda Energética con Redes LSTM (parte 2): sets de entrenamiento y prueba y creación y entrenamiento del modelo

Proyecto final: Predicción de Demanda Energética con Redes LSTM (parte 3): predicción de la demanda con la red entrenada

Ventajas y limitaciones de las Redes Neuronales Recurrentes

Introducción a las Redes Transformer

Aplicaciones de las Redes Transformer

Arquitectura de una Red Transformer

Codificación: el "embedding" de entrada

Codificación: el codificador posicional

Codificación: el bloque atencional

Codificación: etapa de salida

Decodificación: principio de funcionamiento

Decodificación: el bloque atencional con enmascaramiento

Decodificación: el bloque atencional

Decodificación: etapa de salida

Práctica 1 (parte 1): Machine Translation - el problema a resolver y preparación del set de datos

Práctica 1 (parte 2): Machine Translation - creación y entrenamiento de la Red Transformer

Práctica 1 (parte 3): Machine Translation - Traducción de Inglés a Español con la Red entrenada

BERT: la transferencia de aprendizaje en las Redes Transformer

Práctica 2 (parte 1): Preguntas y Respuestas con BERT - Introducción

Práctica 2 (parte 2): Preguntas y Respuestas con BERT - Lectura y "tokenización" del set de datos

Práctica 2 (parte 3): Preguntas y Respuestas con BERT - Pre-procesamiento del set de datos y sets de entrenamiento y prueba

Práctica 2 (parte 4): Preguntas y Respuestas con BERT - Creación y entrenamiento del modelo

Práctica 2 (parte 5): Preguntas y Respuestas con BERT - Predicción: preguntas y respuestas

GPT: el aprendizaje NO supervisado en las Redes Transformer

Práctica 3 (parte 1): Generación de Texto con GPT-2 - El problema a resolver y preparación del modelo

Práctica 3 (parte 2): Generación de Texto con GPT-2 - Ejemplos de generación de texto

Práctica 3 (parte 3): Generación de Texto con GPT-2 - Limitaciones y sesgo del generador

Proyecto final (parte 1): Clasificación de imágenes con Redes Transformer - ¿Qué es y cómo funciona el "vision transformer"?

Proyecto final (parte 2): Clasificación de imágenes con Redes Transformer - Preprocesamiento de la imagen de entrada

Proyecto final (parte 3): Clasificación de imágenes con Redes Transformer - Clasificación de imágenes con el "vision transformer"

Ventajas y limitaciones de las Redes Transformer

Conclusiones y cierre del curso