Deep Learning — Iniciación

Este curso está dirigido a profesionales y estudiantes con conocimientos básicos de programación en Python y nociones de Machine Learning que deseen dar sus primeros pasos en el mundo del Deep Learning. A lo largo de las 8 horas de formación, el participante comprenderá cómo funcionan las redes neuronales desde sus fundamentos conceptuales —el ciclo de entrenamiento, los componentes de una red y las funciones de activación— hasta su puesta en práctica con la biblioteca Keras, ejecutando un pipeline completo de clasificación, ajustando hiperparámetros y detectando problemas de generalización como el sobreajuste. Al finalizar el curso, el alumno será capaz de construir y entrenar un modelo secuencial sencillo, interpretar sus curvas de aprendizaje y tomar decisiones informadas sobre cuándo aplicar Deep Learning en lugar de técnicas de Machine Learning clásico.

1. Describir el ciclo completo de entrenamiento de una red neuronal —forward pass, función de pérdida, backpropagation y actualización de pesos— e identificar sus componentes estructurales básicos (capas, neuronas, pesos, sesgos y funciones de activación) a partir de diagramas o fragmentos de código.
2. Distinguir escenarios en los que el Deep Learning resulta más adecuado que el Machine Learning clásico, justificando la elección en función del tipo y volumen de datos disponibles.
3. Ejecutar un pipeline guiado de clasificación con Keras —desde la carga de datos hasta el entrenamiento—, aplicar distintas funciones de activación e identificar el efecto de modificar hiperparámetros clave (epochs, batch size, learning rate) mediante el análisis de las curvas de entrenamiento y validación.
4. Diferenciar la función de pérdida de la métrica de evaluación en un modelo de clasificación e identificar señales de sobreajuste en las curvas de aprendizaje, señalando el momento aproximado en que comienza a manifestarse.

Bloque 1 — Fundamentos conceptuales de las redes neuronales El curso arranca situando el Deep Learning dentro del ecosistema del Machine Learning y estableciendo cuándo es la herramienta adecuada según el tipo y volumen de datos. A continuación se estudia la anatomía de una red neuronal: capas, neuronas, pesos, sesgos y funciones de activación, todos ellos reconocibles en fragmentos de código reales. El bloque culmina con una explicación detallada del ciclo de entrenamiento —forward pass, cálculo de la función de pérdida, backpropagation y actualización de pesos— que el alumno debe ser capaz de narrar con sus propias palabras.

Bloque 2 — Construcción de modelos con Keras Se presenta la API Sequential de Keras como punto de entrada práctico. El alumno ejecuta un pipeline guiado completo sobre un dataset de ejemplo: carga y preprocesamiento de datos, definición de la arquitectura, compilación del modelo y lanzamiento del entrenamiento. Dentro de este bloque se trabaja también la distinción entre función de pérdida (por ejemplo, binary_crossentropy) y métrica de evaluación (por ejemplo, accuracy), comprendiendo el papel de cada una durante el proceso de optimización.

Bloque 3 — Hiperparámetros, funciones de activación y diagnóstico del modelo El tercer bloque aborda la experimentación controlada: el alumno modifica hiperparámetros básicos —epochs, batch size y learning rate— y compara las curvas de loss y val_loss resultantes para entender su efecto sobre el entrenamiento. Se realizan cambios en las funciones de activación (por ejemplo, sustituyendo sigmoid por relu) y se describe el impacto en las métricas. El bloque cierra con el diagnóstico de sobreajuste: el alumno aprende a leer las curvas de entrenamiento y validación, identificar las señales características del overfitting y estimar el epoch en que comienza a manifestarse.

• Ordenador con conexión a Internet y navegador actualizado (Chrome, Firefox o Edge recomendados).
• Cuenta de Google para acceder a Google Colab (opción recomendada, sin instalación local) o entorno Python ≥ 3.9 instalado localmente con las siguientes bibliotecas: tensorflow ≥ 2.12, keras, numpy, pandas y matplotlib.
• En caso de instalación local, se recomienda un entorno virtual gestionado con conda o venv y al menos 4 GB de RAM disponibles.
• Los materiales y notebooks del curso se distribuirán a través del LMS; no se requiere GPU para los ejercicios propuestos.

• Programación en Python a nivel básico (variables, funciones, bucles, manejo de listas y arrays con NumPy).
• Conceptos elementales de Machine Learning supervisado: qué es un modelo predictivo, qué es el entrenamiento y la validación, y qué mide una métrica de evaluación.
• Familiaridad básica con entornos de cuadernos Jupyter o Google Colab para ejecutar código de forma interactiva.