Deep Learning

Un curso de Deep Learning desde los fundamentos matemáticos hasta las arquitecturas modernas: perceptrón y MLP, redes convolucionales, redes recurrentes y Transformers, modelos generativos, y el camino de un modelo entrenado a su despliegue en producción. Las sesiones 1 y 3 son artículos independientes que se pueden leer sueltos; el resto sigue el orden del curso. Las sesiones que todavía están en borrador se completan progresivamente.

Los módulos están pensados para leerse en orden.

Módulo 1 — Fundamentos

1. Introducción al Deep Learning y fundamentos matemáticos
2. Perceptrón y MLP
3. Redes multicapa (MLP), pérdida y backpropagation
4. Evaluación de modelos

Módulo 2 — Generalización

5. Técnicas para mejorar la generalización

Módulo 3 — Redes convolucionales

6. Fundamentos de CNN — con su complemento práctico: CNN aplicada a MNIST
7. Transfer Learning y arquitecturas modernas
8. Evaluación avanzada en visión artificial

Módulo 4 — Redes recurrentes y secuencias

9. Redes Recurrentes (RNN)
10. LSTM y GRU aplicadas
11. Transformers y modelos de lenguaje

Módulo 5 — Modelos generativos y optimización

12. Redes Generativas Adversarias (GANs)
13. Optimización avanzada y entrenamiento en GPU

Módulo 6 — Despliegue

14. Despliegue de modelos y MLOps

Todas las clases publicadas