módulo #1 Introducción al aprendizaje profundo Descripción general del aprendizaje profundo, historia y aplicaciones
módulo #2 Requisitos matemáticos previos Revisión de álgebra lineal, cálculo y teoría de la probabilidad
módulo #3 Conceptos básicos de redes neuronales Introducción a las redes neuronales artificiales, perceptrones y perceptrones multicapa
módulo #4 Funciones de activación y retropropagación Funciones de activación, retropropagación y descenso de gradiente
módulo #5 Construcción y entrenamiento de redes neuronales Experiencia práctica en la construcción y entrenamiento de redes neuronales utilizando un marco de aprendizaje profundo
módulo #6 Redes neuronales convolucionales (CNN) Introducción a las CNN, capas convolucionales y capas de agrupamiento
módulo #7 Arquitecturas de CNN Arquitecturas AlexNet, VGGNet, GoogLeNet y ResNet
módulo #8 Aprendizaje por transferencia y ajuste fino Uso de modelos de CNN entrenados previamente y ajuste fino para la clasificación de imágenes tareas
módulo #9 Redes neuronales recurrentes (RNN) Introducción a las RNN, RNN simples y redes LSTM
módulo #10 Arquitecturas RNN GRU, RNN bidireccionales y modelos de codificador-decodificador
módulo #11 Modelos de secuencia a secuencia Traducción automática, chatbots y modelos de secuencia a secuencia
módulo #12 Modelos generativos Introducción a los modelos generativos, GAN y VAE
módulo #13 Autocodificadores y autocodificadores variacionales Reducción de dimensionalidad, autocodificadores y VAE
módulo #14 Redes generativas antagónicas (GAN) GAN, DCGAN y GAN condicionales
módulo #15 Aprendizaje por refuerzo profundo Introducción al aprendizaje por refuerzo, Q-learning y gradientes de políticas
módulo #16 Algoritmos de aprendizaje por refuerzo profundo DDPG, Métodos de actor-crítico y AlphaGo
módulo #17 Aprendizaje no supervisado y agrupamiento K-means, agrupamiento jerárquico y reducción de dimensionalidad
módulo #18 Aprendizaje profundo para procesamiento de lenguaje natural Incrustaciones de palabras, modelos de lenguaje y clasificación de texto
módulo #19 Mecanismos de atención Atención en PNL, transformadores y BERT
módulo #20 Aprendizaje profundo para visión artificial Detección, segmentación y seguimiento de objetos
módulo #21 Marcos de aprendizaje profundo TensorFlow, PyTorch y Keras
módulo #22 Evaluación de modelos y ajuste de hiperparámetros Métricas de evaluación de modelos, ajuste de hiperparámetros y validación cruzada
módulo #23 Implementación y producción de aprendizaje profundo Implementación de modelos, servicio de modelos y puesta en producción
módulo #24 Ética y equidad en el aprendizaje profundo Consideraciones éticas, sesgo y equidad en los modelos de aprendizaje profundo
módulo #25 Resumen y conclusión del curso Planificación de los próximos pasos en la carrera de Deep Learning
