CURSO DEEP LEARNING: FUNDAMENTOS, ARQUITECTURAS Y EVALUACIÓN CRÍTICA

PRESENTACIÓN

El Deep Learning ocupa un lugar central en el análisis moderno de imágenes, texto, señales y series de tiempo. Sin embargo, su uso responsable exige más que ejecutar modelos preconstruidos: requiere comprender cómo fluye la información, cómo se optimizan los parámetros, cómo se controla la generalización y qué evidencia permite sostener que una arquitectura compleja aporta valor frente a una referencia más simple.

Este curso ofrece una introducción intensiva, conceptual y aplicada al Deep Learning, dirigida a profesionales, investigadores, docentes y estudiantes. El enfoque conecta las redes neuronales con ideas familiares del modelamiento estadístico: función de pérdida, estimación, regularización, validación, incertidumbre, comparación de modelos y análisis del error.

El curso no busca cubrir de manera enciclopédica todas las arquitecturas existentes. En seis sesiones desarrolla un núcleo transferible —representación, optimización, estabilidad, generalización y auditoría— y lo aplica a redes densas, convolucionales y modelos de secuencias basados en atención. El cierre sitúa los modelos generativos, los modelos de lenguaje y la recuperación aumentada dentro de un panorama crítico de usos, costos y limitaciones.