La formación estadística proporciona una base especialmente valiosa para trabajar con modelos profundos: permite formular comparaciones honestas, reconocer fugas de información, distinguir ajuste de generalización, seleccionar métricas acordes con el costo del error e interpretar resultados con prudencia. Al mismo tiempo, las redes neuronales introducen retos propios —optimización no convexa, sensibilidad a la inicialización, grandes espacios de parámetros, representaciones aprendidas y altos costos computacionales— que requieren herramientas conceptuales y experimentales específicas.
El curso responde a esa intersección. Su propósito es que los participantes puedan pasar de una comprensión general de las redes neuronales a la capacidad de diseñar, entrenar, diagnosticar y auditar un modelo pequeño y reproducible, y de decidir cuándo el uso de Deep Learning está o no justificado.
Profesionales y estudiantes con experiencia básica en estadística, ciencia de datos, econometría, ingeniería, investigación cuantitativa o áreas afines que deseen incorporar modelos neuronales a su práctica analítica.
Nota: No se requiere experiencia previa con TensorFlow/Keras ni acceso a GPU. Antes de iniciar se suministrará una guía breve de nivelación y verificación del entorno.
