Deep Learning — Intermedio

Este curso está dirigido a profesionales con conocimientos fundacionales de redes neuronales que desean consolidar su práctica en el diseño y entrenamiento de modelos de Deep Learning de mayor complejidad. A lo largo de las 8 horas, el participante aprenderá a tomar decisiones arquitectónicas razonadas —seleccionando capas, funciones de activación, optimizadores y técnicas de regularización—, a construir pipelines de preprocesamiento robustos que eviten la fuga de información, y a diagnosticar y corregir problemas frecuentes de entrenamiento a partir del análisis de curvas de pérdida. Adicionalmente, explorará el uso de Transfer Learning sobre modelos preentrenados de referencia y la configuración de callbacks de monitoreo, de modo que al finalizar el curso sea capaz de entregar un modelo funcional, justificado técnicamente y libre de los errores más habituales de overfitting y underfitting.

1. Explicar los criterios que determinan la selección de número de capas, unidades, funciones de activación, función de pérdida y optimizador en una red neuronal profunda, relacionando cada decisión con el tipo de problema y los datos disponibles.
2. Diseñar una arquitectura de red neuronal (MLP, CNN o RNN/LSTM) en Keras o PyTorch, seleccionando los hiperparámetros fundamentales de forma argumentada para un problema concreto.
3. Construir un pipeline de preprocesamiento —incluyendo normalización, data augmentation o tokenización según el dominio— integrado con el bucle de entrenamiento y sin fuga de información entre particiones.
4. Integrar técnicas de regularización (Dropout, Batch Normalization, Early Stopping) y callbacks de monitoreo (ModelCheckpoint, ReduceLROnPlateau o equivalentes) en un flujo de entrenamiento completo, verificando su efecto en las métricas de validación.
5. Comparar al menos dos arquitecturas sobre el mismo dataset y depurar un problema de entrenamiento identificado en las curvas de pérdida, aplicando correcciones verificables y justificando la solución adoptada.
6. Adaptar un modelo preentrenado (VGG16, ResNet50 o MobileNet) a un problema de clasificación propio mediante Transfer Learning, congelando las capas base y validando la mejora obtenida con el clasificador reentrenado.

Bloque 1 — Arquitecturas y decisiones de diseño. Se estudian los criterios para elegir la profundidad y anchura de una red, las funciones de activación más habituales (ReLU, GELU, Sigmoid, Softmax) y su adecuación según la capa y el tipo de salida. Se analiza también la función de pérdida apropiada a cada problema (entropía cruzada, MSE, focal loss) y se comparan dos arquitecturas sobre el mismo dataset —MLP frente a CNN para datos de imagen, o RNN frente a LSTM para secuencias— argumentando la elección en función de las características de los datos.

Bloque 2 — Optimización y configuración del entrenamiento. Se revisan los optimizadores más utilizados (SGD con momentum, Adam, RMSProp) y se practica la justificación de la tasa de aprendizaje inicial comparando curvas de entrenamiento. Se introduce el diseño de pipelines de preprocesamiento integrados con el bucle de entrenamiento, haciendo especial énfasis en la separación estricta de conjuntos para evitar fugas de información. Se incluye la normalización de entradas, la data augmentation para imágenes y la tokenización para texto.

Bloque 3 — Regularización y monitoreo. Se integran en un pipeline real las principales técnicas de regularización: Dropout, Batch Normalization y Early Stopping, verificando mediante las curvas train/validación que la brecha de generalización se reduce. Se configuran callbacks de monitoreo —ModelCheckpoint, ReduceLROnPlateau y sus equivalentes en PyTorch Lightning— y se justifica cada parámetro en función del comportamiento esperado del modelo.

Bloque 4 — Diagnóstico y Transfer Learning. Se aborda la depuración sistemática de problemas de entrenamiento: identificación de overfitting, underfitting y gradiente explosivo o desvaneciente a partir de las curvas de pérdida, y aplicación de al menos una corrección verificable por cada caso. Finalmente, se practica Transfer Learning con modelos preentrenados disponibles en Keras Applications y torchvision (VGG16, ResNet50, MobileNet), congelando las capas convolucionales base y reentrenando únicamente el clasificador final para un problema de clasificación propio.

• Python 3.9 o superior con entorno virtual (conda o venv).
• Paquetes: tensorflow >= 2.12 o torch >= 2.0 + torchvision, keras, scikit-learn, matplotlib, numpy, pandas.
• Acceso a GPU recomendado (Google Colab con GPU gratuita es suficiente); en CPU el tiempo de entrenamiento de algunos ejercicios puede superar los 15 minutos.
• Cuenta de Google para usar Google Colab, o Jupyter Lab instalado localmente.
• Espacio en disco de al menos 2 GB para la descarga de pesos de modelos preentrenados.

• Fundamentos de redes neuronales: perceptrón, función de activación, propagación hacia adelante y hacia atrás.
• Manejo básico de Python para ciencia de datos (NumPy, pandas) y experiencia mínima con Keras o PyTorch a nivel introductorio (equivalente al curso DEL01).
• Conceptos estadísticos básicos: división train/validación/test, métricas de clasificación y regresión (exactitud, F1, MSE).