Introducción al Aprendizaje Profundo
El aprendizaje profundo es un subcampo del aprendizaje automático que se centra en aprender representaciones de características complejas y jerárquicas a partir de datos brutos utilizando redes neuronales artificiales. El curso cubre los principios fundamentales, las matemáticas subyacentes, los conceptos de optimización (descenso del gradiente, propagación hacia atrás), los módulos de red (capas lineales, convolucionales, de agrupamiento) y las arquitecturas comunes (CNNs, RNNs). Se demuestran aplicaciones incluyendo visión por computadora, procesamiento del lenguaje natural y aprendizaje por refuerzo. Los estudiantes utilizarán la biblioteca de aprendizaje profundo PyTorch para la implementación y completarán un proyecto final sobre un escenario del mundo real.
Descripción del curso
📚 Resumen del Contenido
El aprendizaje profundo es un subcampo del aprendizaje automático que se centra en aprender representaciones de características complejas y jerárquicas a partir de datos sin procesar utilizando redes neuronales artificiales. El curso cubre principios fundamentales, matemáticas subyacentes, conceptos de optimización (descenso del gradiente, retropropagación), módulos de red (capas lineales, convolucionales, de pooling) y arquitecturas comunes (CNNs, RNNs). Las aplicaciones demostradas incluyen visión por computadora, procesamiento del lenguaje natural y aprendizaje por refuerzo. Los estudiantes utilizarán la biblioteca de aprendizaje profundo PyTorch para la implementación y completarán un proyecto final sobre un escenario del mundo real.
Un breve resumen de los objetivos clave: dominar la teoría del aprendizaje profundo, implementar modelos usando PyTorch, comprender arquitecturas especializadas (CNNs, RNNs, Transformers) y aplicar estos conceptos a visión por computadora, NLP y toma de decisiones secuenciales.
🎯 Objetivos de Aprendizaje
- Explicar las bases matemáticas y las técnicas de optimización fundamentales (Descenso del Gradiente, Retropropagación) necesarias para entrenar redes neuronales profundas.
- Utilizar el marco de aprendizaje profundo PyTorch para implementar, entrenar y depurar eficientemente arquitecturas de red modernas usando aceleración CUDA y técnicas eficientes de manejo de datos.
- Diseñar y analizar arquitecturas especializadas, incluyendo Redes Neuronales Convolucionales (CNNs) para datos de imagen y el modelo Transformer para dependencias secuenciales.
- Aplicar técnicas de aprendizaje profundo para resolver problemas prácticos en dominios aplicativos clave: Visión por Computadora, Procesamiento del Lenguaje Natural y Aprendizaje por Refuerzo.
- Evaluar modelos según robustez, interpretabilidad y equidad ética, comparando las fortalezas de diversos paradigmas avanzados (por ejemplo, Modelos Generativos, Aprendizaje Semi-supervisado).
Lecciones 共 10 课时 · 预计 30.0h
Lecciones
Lesson
AI003: Deep Learning Fundamentals and Optimization (Lesson 1) introduces deep learning as a high-dimensional function approximation task built upon linear algebra and multivariate calculus. Students will learn how to implement and optimize neural networks by mastering the core training cycle of forward passes, backpropagation, and weight updates using vectorized matrix operations.
This lesson introduces PyTorch Tensors as the fundamental multi-dimensional data structures used for hardware-accelerated computation and model parameters. It further explores the dynamic computation graph and the autograd engine, which allow for flexible, real-time gradient tracking and automatic differentiation during neural network training.
EvoClass-AI003: From Fully Connected to Convolutional (Lesson 3) explores the limitations of dense layers in image processing, such as parameter explosion and the loss of spatial locality. It introduces Convolutional Neural Networks (CNNs) as a solution, focusing on the use of receptive fields, weight sharing, and the mathematical definition of the 2D convolution operation.
EvoClass-AI003: Overview and Architectural Evolution (Lesson 4) explores the evolution of deep CNNs by analyzing how VGG, GoogLeNet, and ResNet addressed challenges in depth, computational efficiency, and gradient stability. Students will learn how these seminal architectures utilize techniques like small kernel stacking, bottleneck layers, and skip connections to optimize performance in ultra-deep networks.
EvoClass-AI003: Recurrent Neural Networks and Sequence Modeling (Lesson 5) explores the transition from static data models to sequential data by introducing Recurrent Neural Networks (RNNs). Students will learn how RNNs utilize shared parameters and hidden states to maintain temporal memory, while also examining the challenges of gradient instability in long-sequence processing.
EvoClass-AI003: From Recurrence to Attention (Lesson 6) explores how attention mechanisms overcome the scalability and information bottleneck limitations of traditional RNNs by enabling direct, parallelized dependency modeling. The lesson details the transition from fixed-size context vectors to dynamic, weighted contextual sums using the Query, Key, and Value tensor framework.
EvoClass-AI003: From Sparse Vectors to Semantic Space (Lecture 7). This lesson explores the limitations of sparse representations like One-Hot Encoding, which suffer from extreme dimensionality and a lack of semantic meaning, and introduces dense word embeddings as a solution that captures linguistic relationships through continuous, low-dimensional vector spaces.
This lesson introduces generative modeling as a shift from discriminative tasks to learning the underlying data distribution $P(x)$ through explicit density models like Variational Autoencoders (VAEs) and implicit models like GANs. It specifically explores the VAE framework, detailing how variational inference and the ELBO objective enable the creation of structured, continuous latent spaces for effective data synthesis and representation learning.
This lesson introduces Deep Reinforcement Learning (DRL) as a framework where agents learn optimal policies through trial-and-error interactions within a Markov Decision Process (MDP). Students will explore how agents use scalar reward signals, discount factors, and the Markov property to make sequential decisions and maximize long-term cumulative returns.
This lesson explores the labeling spectrum in machine learning, contrasting the high-cost requirements of supervised learning with the structural discovery of unsupervised learning and the hybrid efficiency of semi-supervised learning. It further examines deep unsupervised learning through autoencoders, which utilize an encoder-decoder architecture to compress data into meaningful latent representations.