Profesional en Aprendizaje Profundo — Guía de Estudio

Una guía de estudio visual y basada en ejemplos para la certificación de Profesional en Aprendizaje Profundo. Construya un modelo mental funcional de las redes neuronales: el pase hacia adelante, la retropropagación y la regla de la cadena, activaciones y pérdidas, optimizadores y programaciones, inicialización y patologías del gradiente, el conjunto completo de herramientas de regularización y normalización, y las dos grandes familias de arquitecturas — CNN y RNN/LSTM — además de embeddings, aprendizaje por transferencia y los aspectos prácticos de las GPU y el tamaño de lote. Diagramas, tablas comparativas y un pase hacia adelante y hacia atrás completamente resuelto.

Key facts

• Course price: $195 (one-time payment)
• Field: Artificial Intelligence & LLMs
• Prepares for: Profesional en Aprendizaje Profundo
• 5 modules · 15 lessons · about 4 hours of lessons
• Self-paced, online, illustrated lessons

Course outline

1. Neuronas, Redes y el Pase Hacia Adelante — Del perceptrón a una red multicapa: cómo un pase hacia adelante convierte entradas en predicciones y por qué la no linealidad es esencial.
   • El Perceptrón y el MLP
   • El Pase hacia Adelante, Paso a Paso
   • Softmax y Realización de Predicciones
2. Retropropagación y la Regla de la Cadena — Cómo aprende una red: pérdidas, la regla de la cadena, el flujo de gradiente hacia atrás y un pase pequeño completamente desarrollado hacia adelante y atrás.
   • Funciones de Pérdida: MSE y Entropía Cruzada
   • La regla de la cadena y el pase hacia atrás
   • Ejemplo práctico: un pequeño pase hacia adelante y hacia atrás
3. Activaciones, Optimizadores y Tasas de Aprendizaje — Las palancas que hacen funcionar el entrenamiento: funciones de activación, la familia de optimizadores desde SGD hasta Adam y los programas de tasa de aprendizaje — con el bucle de entrenamiento.
   • Funciones de activación comparadas
   • Optimizadores: SGD, Momentum, RMSprop, Adam
   • Programas de tasa de aprendizaje y calentamiento
4. Entrenando Redes Profundas que Realmente Funcionan — Inicialización, las patologías del gradiente, regularización y normalización — más el bucle completo de entrenamiento que lo une todo.
   • Inicialización y las Patologías del Gradiente
   • Regularización: Dropout, Decaimiento de Pesos, Parada Temprana
   • Normalización y el bucle de entrenamiento
5. CNNs, RNNs y Aprendizaje por Transferencia — Las dos grandes familias de arquitecturas — convolucional y recurrente — más embeddings, aprendizaje por transferencia, aumento de datos y las realidades de GPU/tamaño de lote.
   • Redes Neuronales Convolucionales
   • RNN, LSTM y GRU para Secuencias
   • Embeddings, Aprendizaje por Transferencia y la Realidad del Hardware