TensorFlow — Intermedio

Dirigido a profesionales con experiencia básica en TensorFlow y Keras que desean consolidar un dominio real del framework en entornos de producción o investigación aplicada, este curso de 8 horas profundiza en los mecanismos internos de construcción, entrenamiento y depuración de modelos. El participante aprenderá a diseñar arquitecturas complejas con la API funcional, a construir pipelines de datos eficientes con tf.data, a controlar el proceso de optimización mediante bucles personalizados con GradientTape y a extender el framework con capas propias; culminará integrando estas habilidades en el ajuste fino de modelos preentrenados sobre nuevos dominios, obteniendo un flujo de trabajo reproducible y flexible aplicable a proyectos reales de clasificación o regresión de complejidad media-alta.

Al finalizar el curso, el participante será capaz de:

1. Explicar las diferencias estructurales entre la API secuencial, la API funcional y el subclassing de modelos en Keras, identificando el contexto de uso más adecuado para cada una.
2. Describir el papel del cálculo automático de gradientes en TensorFlow y cómo tf.GradientTape gestiona la actualización de pesos durante un ciclo de entrenamiento.
3. Diseñar una arquitectura de red neuronal multicapa con la API funcional de Keras para tareas con entradas o salidas múltiples, justificando las decisiones de diseño adoptadas.
4. Construir un pipeline completo de ingesta y preprocesamiento con tf.data, aplicando batching, shuffling y prefetching para optimizar el rendimiento de entrenamiento.
5. Implementar un bucle de entrenamiento personalizado con tf.GradientTape, gestionando la actualización de pesos y el registro de métricas por época.
6. Comparar distintos optimizadores y enfoques de entrenamiento (model.fit frente a bucle manual), justificando la elección según los requisitos de control, reproducibilidad y comportamiento de la curva de pérdida.
7. Depurar modelos con sobreajuste o subajuste aplicando callbacks y técnicas de regularización, y extender el framework mediante capas personalizadas y fine-tuning de modelos preentrenados, integrando todas las piezas en un flujo de trabajo coherente.

Bloque 1 — Arquitecturas avanzadas con la API funcional Se presenta la API funcional de Keras como alternativa a la API secuencial para abordar topologías no lineales. El participante diseña modelos con múltiples entradas y múltiples salidas, comprende cómo gestionar ramas de red y cómo compartir capas entre flujos distintos. Se introducen también los fundamentos del subclassing de tf.keras.layers.Layer para crear capas con pesos entrenables y lógica call personalizada, discutiendo cuándo esta extensibilidad es necesaria frente al uso de capas estándar.

Bloque 2 — Pipelines de datos eficientes con tf.data Se aborda la construcción de pipelines de preprocesamiento escalables empleando la API tf.data. El participante integra operaciones de carga, transformación, batching, shuffling y prefetching sobre datasets de tamaño medio, analizando el impacto de cada operación en la velocidad de entrenamiento y en el uso de memoria, y adoptando buenas prácticas para garantizar la reproducibilidad de los experimentos.

Bloque 3 — Optimización, callbacks y regularización Se comparan experimentalmente al menos dos optimizadores (por ejemplo, Adam y SGD con momentum), relacionando su comportamiento con la forma de la curva de pérdida. Se trabajan callbacks fundamentales como EarlyStopping y ReduceLROnPlateau para automatizar decisiones durante el entrenamiento, y se aplican técnicas de regularización (Dropout, L2, BatchNormalization) para diagnosticar y corregir sobreajuste o subajuste de forma justificada.

Bloque 4 — Bucles de entrenamiento personalizados con tf.GradientTape Se explica el modelo de diferenciación automática de TensorFlow y se implementa un bucle de entrenamiento manual completo usando tf.GradientTape, gestionando el cálculo de gradientes, la actualización de pesos y el seguimiento de métricas época a época. Se contrasta este enfoque con model.fit, discutiendo criterios concretos —control granular, entrenamiento adversarial, depuración paso a paso— que justifican la elección de uno u otro en función de los requisitos del proyecto.

Bloque 5 — Fine-tuning de modelos preentrenados Se introduce la familia tf.keras.applications como fuente de modelos preentrenados y se trabaja la técnica de fine-tuning parcial: congelación de las capas base, adición de cabezas de clasificación o regresión propias y reentrenamiento progresivo sobre un dataset diferente al original. El bloque integra los conocimientos de los bloques anteriores —diseño funcional, pipeline de datos, callbacks y optimizador adecuado— en un flujo de trabajo end-to-end sobre un caso de transferencia de aprendizaje real.

• Python ≥ 3.10 con TensorFlow ≥ 2.12 instalado (pip install tensorflow o tensorflow-gpu).
• Jupyter Lab o Jupyter Notebook (recomendado) o cualquier IDE con soporte para notebooks (VS Code + extensión Jupyter).
• Biblioteca matplotlib para visualización de curvas de entrenamiento.
• Acceso a GPU recomendado (Google Colab con GPU T4 es una alternativa gratuita válida).
• Conexión a internet para la descarga de modelos preentrenados desde tf.keras.applications y de datasets de ejemplo.
• Mínimo 8 GB de RAM; 16 GB recomendados para los ejercicios de fine-tuning.

• Conocimiento sólido de Python (funciones, clases, comprensiones de listas, entornos virtuales).
• Manejo de NumPy y, preferiblemente, de Pandas para manipulación de datos tabulares.
• Familiaridad con los conceptos básicos de redes neuronales: función de pérdida, gradiente descendente, épocas y batch.
• Experiencia práctica con la API secuencial de Keras: definición de modelos, compile y fit (contenidos cubiertos en TTF01 o equivalente).
• Acceso a un entorno con TensorFlow ≥ 2.12 instalado y, preferiblemente, GPU disponible (local o en la nube).