Curso en línea gratuitoDeep Learning y PyTorch

Descripción del curso

Aprende a diseñar, entrenar y evaluar redes neuronales modernas con una base sólida en teoría y práctica, usando PyTorch como herramienta principal. Este curso online gratuito está pensado para que entiendas cómo funcionan los modelos por dentro y puedas construir soluciones reales en el área de Inteligencia Artificial y Ciencia de Datos, desde modelos lineales y MLP hasta arquitecturas avanzadas para lenguaje e imágenes.

A lo largo del recorrido desarrollarás una visión completa del pipeline de deep learning: representación de datos con tensores, carga eficiente con DataLoaders, cálculo automático de gradientes con Autograd, definición de modelos personalizados, elección de funciones de pérdida y optimizadores, y aceleración en GPU con CUDA. También aprenderás a entrenar sin errores comunes, a controlar la acumulación de gradientes y a persistir modelos de forma recomendada para reutilizarlos o desplegarlos más adelante.

El curso pone especial foco en dominar el entrenamiento de modelos y la generalización: cómo detectar overfitting, analizar bias y varianza, separar correctamente entrenamiento/validación/test, aplicar K-Fold Cross Validation y utilizar técnicas de regularización como L2 y Dropout. Esta base te permitirá tomar mejores decisiones cuando un modelo no mejora, cuando memoriza los datos o cuando necesitas comparar alternativas de forma justa.

Además, avanzarás hacia deep learning aplicado a secuencias y lenguaje natural: redes recurrentes, modelos autoregresivos, LSTM y GRU, embeddings de palabras, Word2Vec con muestreo negativo y el uso de embeddings preentrenados con estrategias de congelación o fine-tuning. Conectarás estas ideas con arquitecturas encoder-decoder, Seq2Seq y mecanismos de atención, hasta llegar a Transformers, BERT y sus objetivos típicos de preentrenamiento.

En visión por computadora, adquirirás intuición y práctica sobre convoluciones, CNN y su evolución histórica, arquitecturas por bloques como VGG, NiN y GoogLeNet, y redes residuales como ResNet y DenseNet. También conocerás Transformers para visión, así como técnicas esenciales de visualización de features, transfer learning y fine-tuning para adaptar modelos preentrenados a nuevos problemas con pocos datos.

Como complemento, verás conceptos clave para tareas avanzadas de visión: detección de objetos con anchor boxes e IoU, segmentación semántica con máscaras, convoluciones transpuestas y enfoques fully convolutional. El cierre incluye una introducción a modelos generativos con GANs para ampliar tu panorama de lo que se puede construir con deep learning.

Con una combinación de videos y ejercicios tipo test orientados a errores frecuentes y decisiones prácticas, este curso es ideal si buscas fortalecer tu perfil en TI, preparar proyectos de machine learning/deep learning, o avanzar hacia roles en ciencia de datos e ingeniería de IA con una base técnica sólida y aplicable.