Aprendizaje Profundo Aplicado con PyTorch (De cero a maestría)
Este curso ofrece una introducción completa al Aprendizaje Profundo utilizando PyTorch, el marco más popular para la investigación en aprendizaje automático. Comenzando desde los fundamentos de tensores, los estudiantes avanzarán a través de todo el flujo de trabajo de ML, visión por computadora, ingeniería de software modular, transferencia de aprendizaje y despliegue de modelos. El plan de estudios es "primero el código", enfatizando la implementación práctica y la experimentación.
Descripción del curso
📚 Resumen del contenido
Este curso ofrece una introducción completa al Aprendizaje Profundo usando PyTorch, el marco más popular para la investigación en aprendizaje automático. Partiendo desde los fundamentos de tensores, los estudiantes avanzarán a través de todo el flujo de trabajo de ML, visión por computadora, ingeniería de software modular, transferencia de aprendizaje y despliegue de modelos. El plan de estudios es "código primero", enfatizando la implementación práctica y la experimentación, asegurando que los estudiantes no solo entiendan la teoría, sino que puedan construir, optimizar y desplegar sistemas robustos de aprendizaje profundo.
Un breve resumen de los objetivos principales consiste en dominar todo el ecosistema de PyTorch, pasando desde matemáticas básicas hasta aplicaciones de visión por computadora listas para producción.
🎯 Objetivos de aprendizaje
- Implementar todo el flujo de trabajo de aprendizaje automático de PyTorch, desde operaciones tensoriales fundamentales hasta entrenamiento, evaluación y persistencia de modelos.
- Diseñar y desplegar arquitecturas de aprendizaje profundo, incluyendo Redes Neuronales Artificiales (ANNs) y Redes Neuronales Convolucionales (CNNs), para tareas complejas de clasificación y visión por computadora.
- Transformar código experimental en software listo para producción mediante la adopción de prácticas de ingeniería estandarizadas y estructuras de directorios.
- Utilizar técnicas avanzadas como Transferencia de Aprendizaje y seguimiento sistemático de experimentos (TensorBoard) para alcanzar resultados de vanguardia en conjuntos de datos personalizados.
- Preparar y desplegar modelos entrenados en aplicaciones web interactivas y aprovechar las funciones modernas de PyTorch 2.0 para una inferencia acelerada.
Lecciones 共 10 课时 · 预计 30.0h
Lecciones
Lesson
This lesson introduces PyTorch tensors as the fundamental data structures for deep learning, emphasizing their role in GPU-accelerated computation and automatic differentiation. Students will learn to manage tensor properties like shape, dtype, and device, while mastering essential manipulation techniques for building and training neural networks.
This lesson introduces the standardized six-pillar PyTorch workflow, providing a repeatable blueprint for building, training, and deploying deep learning models. Students will learn how to manage data preparation, tensor alignment, and the core training loop to ensure robust model performance and generalization.
This lesson explores the necessity of non-linear activation functions, such as ReLU, in deep neural networks to overcome the limitations of linear models when classifying complex, non-linear data. Students will learn how to build and train a PyTorch model capable of forming intricate decision boundaries using hidden layers and appropriate loss functions like Binary Cross Entropy.
This lesson introduces Convolutional Neural Networks (CNNs) as an efficient alternative to fully connected networks for processing high-dimensional image data. Students will learn how CNNs utilize local receptive fields, shared weights, and pooling to achieve parameter efficiency, as well as how to format image data into the required (N, C, H, W) tensor structure for PyTorch.
This lesson explores how to build efficient data pipelines in PyTorch by transitioning from simple toy datasets to managing complex, real-world data. Students learn to decouple data processing by using the Dataset class for individual sample retrieval and transformation, and the DataLoader for optimized, parallelized batch delivery.
This lesson explores the transition from experimental Jupyter Notebooks to production-ready modular Python scripts by emphasizing the importance of the Separation of Concerns principle. Students learn to organize deep learning projects into distinct components—such as data setup, model architecture, and training logic—to improve code reproducibility, testability, and scalability.
This lesson introduces transfer learning as a solution to the high resource demands of deep learning by reusing pre-trained models to achieve high accuracy with limited data. Students learn how to freeze feature extraction layers and adapt the classifier head in PyTorch to effectively apply generalized visual knowledge to specific new tasks.
This lesson explores the necessity of systematic experiment tracking in deep learning to overcome the reproducibility crisis and ensure reliable model development. Students learn how to implement automated tracking for hyperparameters, environment states, and performance metrics to facilitate effective debugging, optimization, and project collaboration.
This lesson focuses on the transition from theoretical research to practical engineering by teaching students how to deconstruct scientific papers into modular, high-performance PyTorch code. You will learn to map complex mathematical architectures like the Vision Transformer into functional components while mastering systematic debugging techniques for tensor shapes and data types.
This lesson covers the transition from exploratory research to production-ready deployment by focusing on refactoring code into modular, stateless services. Students will learn how to optimize models for low-latency inference, ensure reproducibility, and properly export model artifacts using state dictionaries and inference mode.