Libro electrónico gratuito sobre redes neuronales: del perceptrón al deep learning, optimización, CNN, RNN, atención y transformadores.
Contenido gratuito del libro electrónico
-
Fundamentos de redes neuronales artificiales y representación de datos
+ Ejercicio: ¿Cuál es la razón principal para dividir los datos en conjuntos de entrenamiento, validación y prueba en aprendizaje supervisado?
-
Perceptrón y clasificación lineal con redes neuronales
+ Ejercicio: ¿Qué ocurre típicamente al entrenar un perceptrón cuando los datos NO son linealmente separables (por ejemplo, un patrón tipo XOR o con solapamiento)?
-
Funciones de activación y no linealidad en redes neuronales
+ Ejercicio: ¿Qué ocurre si una red neuronal apila varias capas lineales pero no usa funciones de activación no lineales entre ellas?
-
Pérdidas, métricas y formulación del entrenamiento de redes neuronales
+ Ejercicio: En un problema de clasificación binaria con datos desbalanceados, ¿cuál es una formulación adecuada del entrenamiento y la evaluación del modelo?
-
Descenso por gradiente y backpropagation en redes neuronales
+ Ejercicio: ¿Cuál es el propósito principal de backpropagation durante el entrenamiento de una red neuronal multicapa?
-
Redes neuronales multicapa y capacidad de aproximación
+ Ejercicio: ¿Cuál es la razón principal por la que un MLP necesita activaciones no lineales entre capas densas para aumentar su expresividad?
-
Optimización moderna: optimizadores adaptativos y programación de tasa de aprendizaje
+ Ejercicio: Durante el entrenamiento con mini-batches, se observa que la pérdida oscila y además algunos parámetros reciben gradientes mucho más grandes que otros. ¿Qué enfoque de optimización aborda directamente ambos problemas ajustando el tamaño del paso por parámetro?
-
Generalización y regularización en deep learning
+ Ejercicio: Al entrenar una red, observas que la pérdida de entrenamiento baja y la métrica de entrenamiento sube, pero en validación la pérdida se estanca o empeora y la métrica cae. ¿Qué diagnóstico es más probable?
-
Redes convolucionales para visión por computadora
+ Ejercicio: ¿Qué combinación de mecanismos explica mejor por qué una CNN puede detectar el mismo patrón visual (por ejemplo, un borde) en distintas posiciones de una imagen con menos parámetros que una capa totalmente conectada?
-
Redes recurrentes y modelos para secuencias
+ Ejercicio: ¿Cuál es el propósito principal de usar máscaras al entrenar con secuencias rellenadas (padding) en un esquema many-to-many?
-
Atención y transformadores en deep learning
+ Ejercicio: ¿Cuál es el propósito principal de la codificación posicional en un Transformer?
-
Implementación práctica de redes neuronales: de cero y con bibliotecas
+ Ejercicio: En un entrenamiento con PyTorch, ¿qué práctica distingue correctamente la validación del entrenamiento para ahorrar memoria y evitar actualizar el modelo?
-
Interpretabilidad, depuración y evaluación robusta de modelos neuronales
+ Ejercicio: En un problema de clasificación binaria con clase positiva rara, ¿qué enfoque es más adecuado para seleccionar un umbral de decisión considerando el trade-off entre falsos positivos y falsos negativos?
Acerca del libro electrónico gratuito
Introducción a las Redes Neuronales: Del Perceptrón al Deep Learning
Este libro electrónico gratuito ofrece una visión estructurada de las redes neuronales artificiales, desde los principios del perceptrón hasta arquitecturas modernas de deep learning.
Una guía para comprender el aprendizaje neuronal
Explora los conceptos que sustentan el entrenamiento de modelos neuronales: representación de datos, clasificación, activaciones, funciones de pérdida, métricas, descenso por gradiente y backpropagation.
De las redes multicapa a los modelos modernos
El recorrido avanza hacia la optimización, la regularización y la generalización, e introduce aplicaciones y arquitecturas relevantes para visión por computadora, secuencias y procesamiento basado en atención.
En este libro electrónico gratuito encontrarás
- Fundamentos para interpretar cómo aprenden las redes neuronales.
- Conceptos clave de entrenamiento, evaluación y optimización.
- Panorama de redes convolucionales, recurrentes y transformadores.
- Orientación sobre implementación, depuración e interpretabilidad de modelos.
Una lectura de referencia para quienes desean construir una base conceptual sólida en inteligencia artificial y ciencia de datos.
¿El libro explica la diferencia entre perceptrón y redes multicapa?
Sí. Presenta la evolución desde la clasificación lineal del perceptrón hasta las redes neuronales multicapa.
¿Incluye backpropagation y descenso por gradiente?
Sí. Aborda la formulación del entrenamiento, las pérdidas, las métricas y los mecanismos de optimización.
¿Trata arquitecturas como CNN, RNN y transformadores?
Sí. Incluye redes convolucionales, modelos para secuencias y mecanismos de atención y transformadores.
Este libro electrónico incluye:
13 capítulos de contenido
Certificado digital de finalización del curso (Gratis)
Ejercicios para entrenar tus conocimientos
100% gratis, desde el contenido hasta el certificado
¿Listo para empezar?
recomendado
En la aplicación también encontrarás...
Más de 5000 cursos gratuitos
¡Programación, inglés, marketing digital y mucho más! Aprende lo que quieras, gratis
Plan de estudios con IA
La Inteligencia Artificial de nuestra app puede crear un horario de estudio para el curso que elijas
De cero al éxito profesional
Mejora tu currículum con nuestro certificado gratuito y luego usa nuestra Inteligencia Artificial para encontrar el trabajo de tus sueños
También puedes utilizar el código QR o los enlaces que aparecen a continuación.
