Curso práctico de introducción a la IA desde cero (Deep Learning + PyTorch), fundamentos esenciales de IA

Índice del curso:

1. Introducción al curso
– Conocer el contenido del curso y los objetivos de aprendizaje.

2. Análisis de tareas de redes neuronales
– Analizar las tareas que deben realizar las redes neuronales para sentar las bases del aprendizaje.

3. Interpretación de métodos de actualización de modelos
– Interpretar los métodos y principios de actualización de modelos, dominar técnicas de optimización de modelos.

4. Método de cálculo de la función de pérdida
– Aprender el método de cálculo de la función de pérdida, comprender los criterios para evaluar el rendimiento del modelo.

5. Interpretación del proceso de propagación hacia adelante
– Analizar en profundidad el proceso y los principios de la propagación hacia adelante en redes neuronales.

6. Demostración de retropropagación
– Demostrar en la práctica el proceso de retropropagación para profundizar la comprensión y dominar las técnicas.

7. Desglose de la arquitectura de redes neuronales
– Analizar en detalle la arquitectura general de las redes neuronales, aclarar las funciones y roles de cada parte.

8. Análisis de visualización de resultados
– Utilizar herramientas de visualización para analizar el rendimiento de la red neuronal y optimizar el rendimiento del modelo.

9. El papel del número de neuronas
– Explorar la influencia del número de neuronas en el rendimiento del modelo, optimizar la estructura de la red.

10. Preprocesamiento y dropout
– Aprender técnicas de preprocesamiento de datos y dropout para mejorar la capacidad de generalización del modelo.

11-25. Redes neuronales convolucionales y aplicaciones
– Analizar paso a paso los principios y aplicaciones de las redes neuronales convolucionales, implementar tareas de procesamiento de imágenes.

26-32. Framework PyTorch y procesamiento de datos
– Conocer en profundidad el framework PyTorch y los métodos de procesamiento de datos, construir y entrenar modelos.

33-45. Entrenamiento de modelos de aprendizaje profundo
– Aprender el proceso y las técnicas de entrenamiento de modelos de aprendizaje profundo, mejorar el rendimiento del modelo.

46-60. Procesamiento y entrenamiento de datos de texto
– Explorar técnicas de procesamiento y entrenamiento de datos de texto, aplicarlas a tareas de procesamiento de lenguaje natural.

61-69. Despliegue y servicio de modelos
– Aprender el despliegue de modelos y el procesamiento del lado del servidor, para lograr la aplicación de modelos en escenarios reales.

70-76. Modelos de transformer visual
– Analizar los principios y métodos de implementación de los modelos de transformer visual, aplicados al procesamiento de imágenes.

77. Depuración y práctica del código fuente del proyecto
– Demostrar el proceso de depuración del código fuente del proyecto, para ayudar a los estudiantes a comprender y aplicar los conocimientos adquiridos.