RESULTADOS DE APRENDIZAJE Y PRINCIPIOS METODOLÓGICOS

RESULTADOS DE APRENDIZAJE

Al finalizar el curso, el participante estará en capacidad de:

Explicar el papel de tensores, capas, activaciones, funciones de pérdida y gradientes en una red neuronal.
Construir y entrenar un perceptrón multicapa con TensorFlow/Keras para una tarea supervisada.
Interpretar curvas de entrenamiento y diagnosticar subajuste, sobreajuste, inestabilidad, saturación y problemas de gradiente.
Comparar optimizadores y estrategias de regularización mediante experimentos controlados.
Distinguir el sesgo inductivo de redes densas, convolucionales y arquitecturas de atención, y seleccionar una familia según la estructura de los datos.
Aplicar transferencia de aprendizaje en un problema de visión o representación y justificar su conveniencia.
Diseñar una evaluación honesta mediante línea base, particiones adecuadas, métricas pertinentes y análisis de casos de error.
Elaborar un dictamen sustentado sobre si la complejidad de un modelo profundo se justifica frente a una alternativa más simple.

PRINCIPIOS METODOLÓGICOS

Cada mecanismo se estudia en cinco niveles: intuición, operación matemática esencial, implementación, evidencia experimental e interpretación de límites. Las sesiones combinan exposición focalizada, demostraciones, experimentos guiados, discusión de resultados y avance de un caso integrador.

Se privilegiarán modelos y conjuntos de datos de tamaño moderado que puedan ejecutarse en CPU o en servicios gratuitos de notebooks. El código base será suministrado para dedicar el tiempo de clase al razonamiento, el diagnóstico y la toma de decisiones, no a la digitación extensa.

La perspectiva estadística será transversal: en todos los ejercicios habrá una línea base, una estrategia explícita de validación, una métrica ligada al problema, control de fuga de información y discusión de variabilidad, costo y limitaciones.