Introducción a las redes neuronales

En este curso descubrirás los fundamentos de las redes neuronales de una forma práctica y accesible. El objetivo es que domines los conceptos esenciales a través de ejemplos claros y dinámicos, combinando ejercicios de programación en Python con actividades de análisis a lápiz y papel.

De esta manera, no solo comprenderás cómo funcionan las redes neuronales desde adentro, sino que también desarrollarás la intuición necesaria para, en una siguiente etapa, adentrarte en la implementación de arquitecturas modernas y de última generación.

Este curso está diseñado para que avances paso a paso: desde la teoría básica hasta la práctica aplicada, asegurando que construyas una base sólida que te permita crecer en el apasionante mundo del aprendizaje profundo.

Temario:

1. Introducción
   1. Presentación del curso
   1. Motivación
   1. Las redes neuronales en la IA
   2. Aprendizaje automático
2. Conceptos preeliminares
   1. Derivadas
   2. Álgebra Lineal
   3. Probabilidad
   4. Lógica
3. Fundamentos de las redes neuronales
   1. Modelos paramétricos
   2. Regresión lineal
   3. Regresión logística
4. Perceptrón
   1. Arquitectura
   2. Simple
   3. Pase frontal
   4. Funciones de activación
   5. Perceptrón multicapa
   6. Grafo de una red
5. Entrenamiento
   1. Rendimiento
   2. Decenso por gradiente
   3. Retropropagación
6. Problemas prácticos del entrenamiento
   1. Sobreajuste
   2. Regularización
   3. Optimizadores
   4. Normalización por lote

Bibliografía

• Norvig, P., & Russell, S. (2004). Inteligencia Artificial. Un Enfoque Moderno. Phh Pretice Hall, Mexico.

• Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (1993). Probability and statistics for engineers and scientists (Vol. 5). New York: Macmillan.

• Aggarwal, C. C. (2018). Neural networks and deep learning. Springer, 10, 978-3.

• Bishop, C. M., & Nasrabadi, N. M. (2006). Pattern recognition and machine learning (Vol. 4, No. 4, p. 738). New York: springer.

• Skansi, S. (2018). Introduction to Deep Learning: from logical calculus to artificial intelligence. Springer.

• Kohavi, R., & John, G. H. (1997). Wrappers for feature subset selection. Artificial intelligence, 97(1-2), 273-324.

• Marvin, M., & Seymour, A. P. (1969). Perceptrons. Cambridge, MA: MIT Press, 6, 318-362.

• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.