- 1.1. Reforzando Bases Matemáticas:
- 1.1.1. Álgebra Lineal para Deep Learning (repaso de tensores, operaciones matriciales avanzadas).
- 1.1.2. Cálculo Multivariable y Optimización (gradiente descendente, reglas de la cadena, optimizadores avanzados).
- 1.1.3. Probabilidad y Estadística Aplicada (distribuciones complejas, inferencia bayesiana, estimación).
- 1.2. Herramientas y Entornos Avanzados:
- 1.2.1. Dominio de Frameworks (PyTorch, TensorFlow 2.x – comparativas y usos avanzados).
- 1.2.2. Computación Distribuida y GPUs (CUDA, optimización de recursos).
- 1.2.3. Contenerización para IA (Docker, Kubernetes para despliegue).
Módulo 2: Deep Learning Desvelado
- 2.1. Redes Neuronales Convolucionales (CNNs) Profundas:
- 2.1.1. Arquitecturas Avanzadas (ResNet, Inception, EfficientNet, ViT – Vision Transformers).
- 2.1.2. Detección y Segmentación de Objetos (YOLO, Mask R-CNN, U-Net).
- 2.1.3. Generación de Imágenes (GANs – Generative Adversarial Networks: StyleGAN, CycleGAN).
- 2.2. Redes Neuronales Recurrentes (RNNs) y Transformers:
- 2.2.1. Repaso y Limitaciones de RNNs (LSTMs, GRUs).
- 2.2.2. Introducción a la Arquitectura Transformer (Atención, Autoatención).
- 2.2.3. Modelos de Lenguaje Grandes (LLMs): BERT, GPT (arquitectura, entrenamiento y fine-tuning).
- 2.3. Aprendizaje por Refuerzo Profundo (Deep Reinforcement Learning – DRL):
- 2.3.1. Algoritmos de DRL (DQN, Actor-Critic, PPO, A2C).
- 2.3.2. Aplicaciones de DRL (juegos, robótica, optimización).
- 2.3.3. Desafíos y Consideraciones Éticas en DRL.
Módulo 3: Más Allá del Aprendizaje Supervisado
- 3.1. Aprendizaje por Refuerzo (Reinforcement Learning – RL):
- 3.1.1. Fundamentos de RL (Agentes, Entornos, Recompensas, Políticas).
- 3.1.2. Métodos de Monte Carlo y Temporal Difference (Q-Learning, SARSA).
- 3.1.3. Optimización y Exploración-Explotación.
- 3.2. Aprendizaje No Supervisado Avanzado:
- 3.2.1. Autoencoders y Variational Autoencoders (VAEs).
- 3.2.2. Clustering Jerárquico y Basado en Densidad (DBSCAN).
- 3.2.3. Reducción de Dimensionalidad (t-SNE, UMAP).
- 3.3. Aprendizaje Semi-Supervisado y Auto-Supervisado:
- 3.3.1. Conceptos y Ventajas (uso de datos no etiquetados).
- 3.3.2. Técnicas de Self-Supervised Learning (Contrastive Learning, Masked Language Models).
Módulo 4: Temas Avanzados y Aplicaciones Especializadas
- 4.1. Ética, Sesgos y Explicabilidad en IA:
- 4.1.1. IA Explicable (XAI): LIME, SHAP, modelos interpretables.
- 4.1.2. Detección y Mitigación de Sesgos Algorítmicos.
- 4.1.3. Consideraciones Éticas en el Desarrollo y Despliegue de IA.
- 4.2. IA para Procesamiento de Lenguaje Natural (NLP) Avanzado:
- 4.2.1. Transfer Learning en NLP (fine-tuning de LLMs).
- 4.2.2. Aplicaciones (generación de texto, resumen, traducción automática avanzada).
- 4.2.3. Técnicas de Prompt Engineering y RAG (Retrieval Augmented Generation).
- 4.3. IA en Visión por Computadora Avanzada:
- 4.3.1. Transfer Learning y Datos Sintéticos para CV.
- 4.3.2. Aplicaciones (reconocimiento facial, realidad aumentada, vehículos autónomos).
- 4.4. MLOps y Despliegue de Modelos en Producción:
- 4.4.1. Ciclo de Vida del Desarrollo de Machine Learning (MLOps).
- 4.4.2. Versionado de Modelos y Datos.
- 4.4.3. Monitoreo y Mantenimiento de Modelos en Producción.
Módulo 5: Proyecto Final Integrador
- 5.1. Selección y Diseño del Proyecto:
- 5.1.1. Identificación de un problema del mundo real (visión, NLP, RL, etc.).
- 5.1.2. Diseño de la Arquitectura y Selección de Herramientas.
- 5.2. Implementación y Experimentación:
- 5.2.1. Codificación del Modelo (usando PyTorch/TensorFlow).
- 5.2.2. Recopilación/Preprocesamiento de Datos Avanzados.
- 5.2.3. Experimentación y Ajuste de Hiperparámetros.
- 5.3. Evaluación, Documentación y Presentación:
- 5.3.1. Métricas de Evaluación Avanzadas.
- 5.3.2. Análisis de Sesgos y Explicabilidad.
- 5.3.3. Despliegue Básico (opcional) y Presentación del Proyecto.