En la actualidad el uso de herramientas que permiten a una máquina reproducir el comportamiento humano, inteligencia artificial o IA, ha tomado cada vez mayor relevancia. Como un área integral de IA tenemos el aprendizaje máquina o Machine Learning (ML), el cual permite enseñar a las computadoras y mejorar su aprendizaje. Finalmente, dentro de ML, el aprendizaje profundo o Deep Learning (DL), es un tipo aprendizaje basado en el uso de redes neuronales profundas.
En este curso se presentan los conceptos fundamentales utilizados en DL, así como las arquitecturas más importantes y algunas de sus aplicaciones, por ejemplo, en clasificación de imágenes o en la generación de agentes autónomos. En este curso se conjugan conceptos estadísticos, probabilísticos, computacionales y de manejo de datos que nos ayudarán a entender bien los aspectos detrás de cada modelo y ser capaces de modificar el código y modelos para obtener mejores resultados al entender a fondo cada modelo. El objetivo es así que el estudiante no solo sea capaz de aplicar el código sino entender lo que está siendo implementado.
Los conocimientos adquiridos permitirán entender y aplicar implementaciones de DL, como es la IA generativa, la tecnología basada en reconocimiento de voz o rostro, las herramientas que permiten la identificación de fraudes, la tecnología detrás de los automóviles autónomos, y en general la generación de agentes o robots que pueden efectuar tareas a través de un proceso de aprendizaje basado en recompensas (aprendizaje reforzado).
Al final de este curso serás capaz de:
- Identificar donde se encuentra ubicado Deep learning dentro de IA y las arquitecturas más usadas.
- Entender cuáles son los frameworks disponibles en Python para implementar DL y el concepto de tensor como el elemento matemático en el cual se basa toda el álgebra necesaria para aplicar DL. Implementar modelos simples en software (TensorFlow por sí mismo y usando Keras y Pytorch)
- Entender el funcionamiento e intuición detrás de los modelos de clasificación de imágenes, así como el significado de sus partes, las cuales pueden modificarse al entrenar el modelo. Implementar redes convolucionales en reconocimiento de imágenes.
- Entender e implementar modelos recurrentes basados en que la información de una neurona puede reusarse. Aplicar los modelos para análisis de series temporales.
- Entender el procedimiento para el ajuste de los modelos de DL y cambiar el algoritmo con el fin de entrenar mejor a los modelos.
- Entender e implementar métodos que mejoran tanto el poder predictivo en datos nuevos (evitar sobreajuste) como la convergencia de los algoritmos.
- Implementar métodos para obtener ciertas constantes (hiperparámetros) que se fijan en los modelos y algoritmos de DL, los cual permite obtener mejores resultados.
- Entender e implementar modelos generativos, unos basados en tratar de reconstruir la información original, y otros basados en poner a competir dos redes dentro de un mismo modelo.
- Ser capaz de generar un agente, por ejemplo, un agente que juega por sí mismo un videojuego de Atari, usando Deep reinforcement learning. Ejemplificar ChatGPT como una tecnología híbrida basada en parte en este tipo de aprendizaje.
INFORMES: lumialearning@gmail.com