{"id":7,"date":"2014-03-20T19:40:49","date_gmt":"2014-03-20T19:40:49","guid":{"rendered":"http:\/\/cursos.virtual.uniandes.edu.co\/mine4210\/?page_id=7"},"modified":"2023-12-05T11:36:18","modified_gmt":"2023-12-05T16:36:18","slug":"inicio","status":"publish","type":"page","link":"https:\/\/cursos.virtual.uniandes.edu.co\/mine4210\/","title":{"rendered":"Inicio"},"content":{"rendered":"<style type=\"text\/css\"><span style=\"display: inline-block; width: 0px; overflow: hidden; line-height: 0;\" data-mce-type=\"bookmark\" class=\"mce_SELRES_start\">\ufeff<\/span> table.steelBlueCols {  border: 4px solid #555555;  background-color: #e4e4e4;  width: 100%;  text-align: left;  border-collapse: collapse; }table.steelBlueCols td, table.steelBlueCols th {  border: 1px solid #555555;  padding: 5px 10px;}table.steelBlueCols tbody td {  font-size: 16px;  color: #000000;}table.steelBlueCols tr:nth-child(even) {  background: #9e9e9e;}table.steelBlueCols td:nth-child(even) {  background: #FFFFFF;}table.steelBlueCols tfoot td {  font-size:13px;}table.steelBlueCols tfoot .links {  text-align:right;}table.steelBlueCols tfoot .links a{  display: inline-block;  background: #FFFFFF;  color: #398AA4;  padding: 2px 8px;border-radius: 5px;}table.msin_noheader {  border: 1px solid #48A453;  background-color: #eeeeee;  \/\/width: 100%;  text-align: left;  border-collapse: collapse;}table.msin_noheader td, table.msin_noheader th { border: 1px solid #AAAAAA;padding: 5px 5px;} table.msin_noheader tbody td {font-size: 16px; }table.msin_noheader tr:nth-child(even) {  background: #fff;}table.msin_noheader tfoot td {  font-size: 14px;} table.msin_noheader tfoot .links { text-align: right; } table.msin_noheader tfoot .links a{   display: inline-block;   background: #1C6EA4;   color: #FFFFFF;   padding: 2px 8px;   border-radius: 5px; } table.msin_header {   border: 1px solid #48A453;   background-color: #fff;   \/\/width: 100%;   text-align: left;   border-collapse: collapse; } table.msin_header td, table.msin_header th {   border: 1px solid #AAAAAA;   padding: 5px 5px; } table.msin_header tbody td {   font-size: 16px; } table.msin_header tr:nth-child(even) {   background: eeeeee; } table.msin_header thead {   background: #b6b9bb;   border-bottom: 2px solid #444444; } table.msin_header thead th {   font-size: 15px;   font-weight: bold;   color: #000;   border-left: 2px solid D0E4F5; } table.msin_header thead th:first-child {   border-left: none; }  <\/style>\n<table class=\"steelBlueCols\">\n<tbody>\n<tr>\n<td>Nombre del curso:<\/td>\n<td>An\u00e1lisis con Deep Learning<\/td>\n<\/tr>\n<tr>\n<td>Cr\u00e9ditos:<\/td>\n<td>4<\/td>\n<\/tr>\n<tr>\n<td>Profesor:<\/td>\n<td>Haydemar Mar\u00eda Nu\u00f1ez Castro<\/td>\n<\/tr>\n<tr>\n<td>Versi\u00f3n PDF<\/td>\n<td><a href=\"https:\/\/cursos.virtual.uniandes.edu.co\/docs\/mine4210.pdf\" target=\"_blank\" rel=\"noopener\">Click Aqu\u00ed<\/a><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><!-- ************************************************************************* --><\/p>\n\n<div class=\"arconix-tabs-horizontal\"><ul class=\"arconix-tabs\"><li data-arconix-icon=\"\" data-arconix-color=\"\" class=\"arconix-tab tab-Descripcin\"><a class=\"\" href=\"#tab-Descripcin\">Descripci\u00f3n<\/a><\/li>\n<li data-arconix-icon=\"\" data-arconix-color=\"\" class=\"arconix-tab tab-Objetivos\"><a class=\"\" href=\"#tab-Objetivos\">Objetivos<\/a><\/li>\n<li data-arconix-icon=\"\" data-arconix-color=\"\" class=\"arconix-tab tab-Plandetemas\"><a class=\"\" href=\"#tab-Plandetemas\">Plan de temas<\/a><\/li>\n<li data-arconix-icon=\"\" data-arconix-color=\"\" class=\"arconix-tab tab-Metodologa\"><a class=\"\" href=\"#tab-Metodologa\">Metodolog\u00eda<\/a><\/li><\/ul>\n<div class=\"arconix-panes\"><div class=\"arconix-pane pane-Descripcin\">\n<h1>Descripci\u00f3n<\/h1>\n<p>Las redes neuronales artificiales son una clase de algoritmos de aprendizaje autom\u00e1tico, originalmente inspirados en la estructura del cerebro humano, que actualmente est\u00e1n siendo utilizados en muchas aplicaciones pr\u00e1cticas relacionadas con el procesamiento de lenguaje natural, procesamiento de im\u00e1genes, modelos generativos, entre otras. Su potencia y capacidad para resolver problemas complejos se basan en la interconexi\u00f3n de capas de neuronas artificiales en diversas arquitecturas. De esta forma, es posible construir modelos compuestos por una jerarqu\u00eda de funciones que son aprendidas a partir de los datos, dando lugar a lo que se conoce como aprendizaje profundo (deep learning).<br \/>\nEn este curso se ilustra c\u00f3mo las t\u00e9cnicas de deep learning pueden ser utilizadas en la construcci\u00f3n de modelos de conocimiento que apoyen la toma de decisiones, tomando en consideraci\u00f3n las caracter\u00edsticas y complejidad de las representaciones de los conjuntos de datos.<\/p>\n<\/div>\n<div class=\"arconix-pane pane-Objetivos\">\n<h1>Objetivos<\/h1>\n<p>Se espera desarrollar y reforzar las siguientes competencias:<\/p>\n<ul>\n<li><strong>Explicar<\/strong> los fundamentos de las redes neuronales artificiales y el aprendizaje profundo (deep learning).<\/li>\n<li><strong>Identificar<\/strong> los diferentes par\u00e1metros que deben ser optimizados para la construcci\u00f3n de modelos de redes neuronales profundas con buen desempe\u00f1o.<\/li>\n<li><strong>Analizar<\/strong> el funcionamiento de algunas arquitecturas de aprendizaje profundo y c\u00f3mo pueden ser aplicadas para resolver problemas en diferentes contextos, con base en las caracter\u00edsticas del problema.<\/li>\n<li><strong>Aplicar<\/strong> el proceso de aprendizaje a partir de datos para la construcci\u00f3n de modelos de deep learning con el fin de construir soluciones a casos reales.<\/li>\n<li><strong>Utilizar<\/strong> herramientas de software para la construcci\u00f3n de modelos de aprendizaje profundo.<\/li>\n<li><strong>Reconocer<\/strong> las implicaciones \u00e9ticas en el desarrollo de soluciones a partir de datos.<\/li>\n<li><strong>Conocer<\/strong> tendencias actuales del deep learning y proyectos de investigaci\u00f3n en desarrollo sobre problemas abiertos.<\/li>\n<\/ul>\n<\/div>\n<div class=\"arconix-pane pane-Plandetemas\">\n<h1>Plan de temas<\/h1>\n<p><strong>M\u00f3dulo 1. Machine learning y redes neuronales.<\/strong> Tipos de aprendizaje y contextos de aplicaci\u00f3n. Ciclo de vida de un proyecto basado en datos. Qu\u00e9 es una red neuronal artificial. Caracter\u00edsticas y arquitecturas. Deep learning y el aprendizaje de representaci\u00f3n. Modelos neuronales lineales y no lineales. Generalizaci\u00f3n y complejidad de modelo. T\u00e9cnicas de selecci\u00f3n de modelos<br \/>\n<strong>M\u00f3dulo 2. Construcci\u00f3n de redes neuronales.<\/strong> \u00bfC\u00f3mo entrenar una red neuronal profunda? Definici\u00f3n de la arquitectura de la red. Funciones de activaci\u00f3n. Funciones de costo. Optimizaci\u00f3n y algoritmos de aprendizaje. Control de la complejidad, regularizaci\u00f3n y ajuste de hiperpar\u00e1metros Aprendizaje por transferencia.<br \/>\n<strong>M\u00f3dulo 3. Modelos basados en autocodificadores.<\/strong> \u00bfQu\u00e9 es un autocodificador? Extracci\u00f3n de caracter\u00edsticas y aprendizaje de espacios latentes. Tipos de autocodificadores. Aspectos de dise\u00f1o y entrenamiento. Aplicaciones.<br \/>\n<strong>M\u00f3dulo 4. Modelos convolucionales.<\/strong> \u00bfQu\u00e9 es una red convolucional? Conceptos b\u00e1sicos. Capas convolucionales y capas de pooling. Aspectos de dise\u00f1o y entrenamiento. Capas totalmente conectadas. Redes convolucionales para clasificaci\u00f3n, detecci\u00f3n y segmentaci\u00f3n. Aplicaciones.<br \/>\n<strong>M\u00f3dulo 5. Modelos recurrentes y la arquitectura Transformer.<\/strong> Modelos de secuencias. Incrustaciones de palabras (embeddings). Tipos de redes recurrentes. Aspectos de dise\u00f1o y entrenamiento. Modelos encoder-decoder. Fundamentos de los mecanismos de atenci\u00f3n. Arquitectura Transformer. Modelos de lenguaje basados en Transformers. Transformers en visi\u00f3n artificial. Aplicaciones.<br \/>\n<strong>M\u00f3dulo 6. Modelos generativos.<\/strong> \u00bfQu\u00e9 es un modelo generativo? El autocodificador variacional (VAE). Redes de adversarios generativas (GAN). Modelos de difusi\u00f3n. Otros modelos neuronales generativos. Aplicaciones.<br \/>\n<strong>M\u00f3dulo 7. Otros t\u00f3picos.<\/strong> Tendencias actuales. Aspectos \u00e9ticos de la Inteligencia Artificial.<\/p>\n<h2>Conocimientos previos recomendados.<\/h2>\n<p>Nivel intermedio de programaci\u00f3n (se recomienda Python). Conocimientos b\u00e1sicos de \u00e1lgebra lineal, probabilidad y estad\u00edstica, y optimizaci\u00f3n num\u00e9rica.<br \/>\n<\/div>\n<div class=\"arconix-pane pane-Metodologa\">\n<h1>Metodolog\u00eda<\/h1>\n<ul>\n<li>Clases te\u00f3ricas dirigidas a la adquisici\u00f3n de conceptos, con discusi\u00f3n de casos de estudio y aplicaciones.<\/li>\n<li>Actividades pr\u00e1cticas centradas en la experimentaci\u00f3n con conjuntos de datos de repositorios p\u00fablicos, utilizando el lenguaje de programaci\u00f3n Python, junto con librer\u00edas de deep learning. A lo largo del curso se desarrolla un proyecto definido por los estudiantes.<\/li>\n<\/ul>\n<\/div><\/div><\/div>\n\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Nombre del curso: An\u00e1lisis con Deep Learning Cr\u00e9ditos: 4 Profesor: Haydemar Mar\u00eda Nu\u00f1ez Castro Versi\u00f3n PDF Click Aqu\u00ed &nbsp; &hellip; <a class=\"more-link\" href=\"https:\/\/cursos.virtual.uniandes.edu.co\/mine4210\/\">Sigue leyendo <span class=\"meta-nav\">&rarr;<\/span><\/a><\/p>\n","protected":false},"author":98,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-7","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/cursos.virtual.uniandes.edu.co\/mine4210\/wp-json\/wp\/v2\/pages\/7","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cursos.virtual.uniandes.edu.co\/mine4210\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/cursos.virtual.uniandes.edu.co\/mine4210\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/cursos.virtual.uniandes.edu.co\/mine4210\/wp-json\/wp\/v2\/users\/98"}],"replies":[{"embeddable":true,"href":"https:\/\/cursos.virtual.uniandes.edu.co\/mine4210\/wp-json\/wp\/v2\/comments?post=7"}],"version-history":[{"count":55,"href":"https:\/\/cursos.virtual.uniandes.edu.co\/mine4210\/wp-json\/wp\/v2\/pages\/7\/revisions"}],"predecessor-version":[{"id":183,"href":"https:\/\/cursos.virtual.uniandes.edu.co\/mine4210\/wp-json\/wp\/v2\/pages\/7\/revisions\/183"}],"wp:attachment":[{"href":"https:\/\/cursos.virtual.uniandes.edu.co\/mine4210\/wp-json\/wp\/v2\/media?parent=7"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}