Deep Learning

1.1. Motivación del Deep Learning

1.2. Introducción a la inteligencia artificial (IA)

1.3. Introducción al aprendizaje automático (AA): ¿qué es aprender?

1.3. Tipos de algoritmos en aprendizaje automático: clasificación vs regresión, supervisado vs no supervisado vs refuerzo

1.4. La construcción de un modelo de AA en 5 pasos

2.1. Introducción: la neurona artificial, redes multicapa y representación matricial

2.2. Optimización I: funciones de pérdida, descenso por gradiente y variantes (SGD, Momentum, ADAGrad, RMSProp, Adam, …)

2.3. Optimización II: retropropagación y grafo computacional

2.4. Configuración de una RNA I: funciones de activación no lineales (sigmoide, softmax, tanh, relu…)

2.5. Configuración de una RNA II: inicialización de pesos

3.1. Software para Deep Learning

3.2. Hardware para Deep Learning

3.3. Introducción a TensorFlow 2

3.4. Introducción a Keras

3.5. Clasificación binaria con Keras

3.6. Clasificación multiclase con Keras

3.7. Regresión con Keras

4.1. Regularización sobre el modelo: sobreajuste, regularización L1/L2, early stopping, ensemble, dropout

4.2. Regularización sobre los datos: preprocesado, aumentado de datos

4.3. Regularización con Keras

4.4. Optimización de hiperparámetros

5.1. Aprendizaje profundo: jerarquía de características

5.2. Evolución: del experimento Hubel&Wiesel a LeNet pasando por Neocognitron

5.4. Arquitectura de una CNN: convolución, pooling, batch normalization

5.4. CNNs secuenciales: AlexNet, VGG

5.5. CNNs no secuenciales: Inception, ResNet

5.6. CNNs para detección de objetos: R-CNN, YOLO

5.7. Transferencia de aprendizaje: transfer learning y fine tuning

5.8. Redes convolucionales en Keras

5.9. Redes pre-entrenadas en Keras

5.10. Visalización de filtros convolucionales con Keras

6.1. Modelado de secuencias

6.2. Modelos para texto: tokenization y word embedding

6.3. Word embedding con Keras

6.4. Redes recurrentes: RNN básica, LSTM, GRU.

6.5. Redes convolucionales 1D para secuencias.

6.6. Modelos para series temporales con Keras: redes bidireccionales, dropout recurrente

6.7. Introducción a redes con atención: seq2seq y transformers

8.1. Retos y limitaciones del Deep Learning: one-shot learning, ejemplos adversarios

8.2. Futuro del Deep Learning