PyTorch: Deep Learning y Redes Neuronales (AI-Powered)

Al finalizar este curso podrás:

✅ Construir y entrenar redes neuronales desde cero con PyTorch y torch.nn.
✅ Implementar arquitecturas profundas: CNN para visión, RNN/LSTM para secuencias, transformers para NLP.
✅ Optimizar hiperparámetros con técnicas de regularización, data augmentation y transfer learning.
✅ Depurar modelos complejos usando la IA como asistente de diagnóstico de gradientes y overfitting.
✅ Desplegar modelos entrenados en producción con TorchScript y ONNX.

Contenido del curso

¿Por qué PyTorch?🔗

PyTorch se ha convertido en el framework líder para investigación y producción en Deep Learning, adoptado por OpenAI, Meta, Hugging Face y Tesla. Su enfoque dinámico y depuración intuitiva lo hacen ideal tanto para aprendizaje como para aplicaciones del mundo real.

Objetivos🔗

Dominar el ecosistema PyTorch: tensores, autograd, módulos, data loaders.
Implementar las arquitecturas de redes neuronales más importantes.
Utilizar la IA como copiloto para diseño de experimentos, debugging de gradientes y optimización.
Preparar modelos para producción con exportación y despliegue.

Temario🔗

Fundamentos de PyTorch🔗

Tensores: creación, operaciones, device management (CPU/GPU/MPS).
Autograd: gradientes automáticos y computational graphs.
torch.nn.Module: construyendo capas personalizadas.
Práctica con IA: Debug de un gradiente que explota — la IA explica vanishing/exploding gradients.

Data Loading y Preprocesamiento🔗

torch.utils.data.Dataset y DataLoader.
Transformaciones con torchvision.transforms.
Data augmentation para imágenes y texto.
Práctica con IA: El asistente optimiza pipelines de carga para evitar cuellos de botella.

Redes Fully Connected🔗

Perceptrón multicapa (MLP).
Funciones de activación: ReLU, sigmoid, tanh, GELU.
Regularización: dropout, batch normalization, weight decay.
Práctica con IA: La IA diagnostica overfitting y sugiere estrategias de regularización.

Redes Convolucionales (CNN)🔗

Convoluciones, pooling, padding, strides.
Arquitecturas clásicas: LeNet, AlexNet, ResNet.
Transfer learning con modelos pre-entrenados.
Práctica con IA: Fine-tuning de ResNet con asistencia del tutor para elegir capas a congelar.

Redes Recurrentes (RNN/LSTM)🔗

Secuencias, estado oculto, backpropagation through time.
LSTMs y GRUs para modelado de secuencias largas.
Aplicaciones: clasificación de texto, series temporales.
Práctica con IA: La IA ayuda a depurar problemas de secuencia y elegir la arquitectura correcta.

Transformers y NLP🔗

Arquitectura Transformer: attention, positional encoding, multi-head.
Hugging Face: modelos pre-entrenados, tokenizers, pipelines.
Fine-tuning de BERT, GPT, Llama para tareas específicas.
Práctica con IA: Fine-tuning de un modelo de clasificación de texto con ayuda intensiva del tutor.

Modelos Generativos🔗

Autoencoders y VAEs.
GANs: generación de imágenes con DCGAN.
Modelos de difusión (conceptos básicos).
Práctica con IA: Genera imágenes con un GAN — el asistente diagnostica mode collapse.

Optimización Avanzada🔗

Learning rate scheduling: StepLR, CosineAnnealing, OneCycle.
Optimizadores: SGD, Adam, AdamW, Lion.
Hyperparameter tuning con Optuna.
Práctica con IA: La IA recomienda rangos de hiperparámetros y estrategias de búsqueda.

Experimentación y Logging🔗

MLflow y Weights & Biases para tracking.
Evaluación: confusion matrix, curvas ROC, métricas por clase.
Reproducibilidad: seeds, versionado de datos y modelos.
Práctica con IA: La IA analiza curvas de entrenamiento y sugiere ajustes.

Despliegue en Producción🔗

Exportación con TorchScript y ONNX.
API REST con FastAPI.
Contenedorización con Docker.
Optimización: cuantización, pruning.
Práctica con IA: End-to-end con el asistente — de notebook a API en producción.

🎯 Proyecto final del curso

Entrenarás un modelo de clasificación de imágenes personalizado (ej. clasificador de razas de perros, diagnóstico de enfermedades en plantas o reconocimiento de dígitos manuscritos avanzado) usando transfer learning con ResNet o EfficientNet, data augmentation, fine-tuning, evaluación con métricas (precisión, recall, F1), y despliegue como API REST con FastAPI + TorchScript en un contenedor Docker.

🚀 Este curso te prepara para

Ingeniero de Machine Learning Desarrollador de Deep Learning Científico de Datos Avanzado Ingeniero de Visión por Computadora Especialista en NLP