Universidad de los Andes
Introducción al deep learning contemporáneo
Universidad de los Andes

Introducción al deep learning contemporáneo

Taught in Spanish

Course

Gain insight into a topic and learn the fundamentals

Luis Felipe Giraldo Trujillo
Pablo Andrés Arbeláez Escalante

Instructors: Luis Felipe Giraldo Trujillo

Beginner level
No prior experience required
10 hours to complete
3 weeks at 3 hours a week
Flexible schedule
Learn at your own pace
Progress towards a degree

What you'll learn

  • Identificar las principales técnicas de Deep learning en el mundo contemporáneo.

  • Familiarizarse con algoritmos que hacen uso de técnicas de aprendizaje profundo.

Details to know

Shareable certificate

Add to your LinkedIn profile

Recently updated!

December 2023

Assessments

9 assignments

See how employees at top companies are mastering in-demand skills

Placeholder
Placeholder

Earn a career certificate

Add this credential to your LinkedIn profile, resume, or CV

Share it on social media and in your performance review

Placeholder

There are 4 modules in this course

Este módulo proporciona una base sólida en los principios y conceptos fundamentales del Deep Learning. Desde su historia y evolución hasta las aplicaciones contemporáneas, exploraremos los temas clave que abren las puertas a esta disciplina. Estudiaremos los componentes esenciales de una red neuronal, incluida la estructura, las funciones de activación y las funciones de pérdida. Abordaremos también técnicas de optimización como el descenso del gradiente y la retropropagación, y exploraremos la importancia de los parámetros y los hiperparámetros. Al finalizar este módulo, los participantes tendrán una comprensión sólida de los fundamentos del Deep Learning y estarán preparados para profundizar en áreas más avanzadas de esta emocionante disciplina.

What's included

7 videos9 readings2 assignments1 discussion prompt

En este módulo especializado se exploran técnicas de aprendizaje profundo utilizadas en el procesamiento de datos secuenciales y en el análisis de imágenes. Durante este módulo, se espera que los participantes adquirieran los conocimientos necesarios para comprender y aplicar las redes neuronales convolucionales (CNNs) y las redes neuronales recurrentes (RNNs) en diversas tareas. Comenzaremos comparando las redes neuronales tradicionales (ANNs) con las redes neuronales convolucionales (CNNs), destacando la operación de convolución en las CNNs. Analizaremos la estructura de AlexNet, una arquitectura famosa en la comunidad de Deep Learning. Además, abordaremos la metodología de entrenamiento y definición de tareas para estas redes. A medida que avanzamos, exploraremos los desafíos que surgen al trabajar con datos secuenciales y la información dependiente del tiempo. Introduciremos el concepto de procesamiento de lenguaje natural y nos sumergiremos en las redes neuronales recurrentes (RNNs) y sus diferentes variantes. Discutiremos los tipos de RNNs y los retos que enfrentan, como la dependencia a largo plazo y el desvanecimiento o explosión del gradiente.

What's included

4 videos8 readings3 assignments

En este modulo se exploran los fundamentos y aplicaciones de los Transformers en el campo del aprendizaje profundo. A lo largo de este módulo, se espera que los participantes adquirieran conocimiento de las estructuras de los Transformers. Se explorarán aspectos claves como el embedding del texto, la codificación posicional y el mecanismo de atención, que permiten a los Transformers capturar relaciones complejas entre los elementos de una secuencia. Además, se abordarán particularidades como el pre-entrenamiento y el aprendizaje de transferencia, y se analizarán las aplicaciones de los Transformers tanto en el procesamiento del lenguaje natural como en el procesamiento de imágenes mediante la arquitectura Transformer Visual.

What's included

3 videos7 readings2 assignments

Este módulo explora las técnicas de generación de datos mediante modelos generativos. A lo largo de este módulo, se espera que los participantes adquieran los conocimientos necesarios para comprender y aplicar distintos enfoques en la generación de datos mediante Deep Learning. Comenzaremos analizando la diferencia entre modelos discriminativos y modelos generativos, y cómo estos últimos nos permiten crear contenido original. Exploraremos el concepto de espacio latente, donde la información se codifica para generar nuevas muestras. Además, estudiaremos la arquitectura de los generadores y discriminadores en el contexto de redes generativas adversariales (GANs). Aprenderemos sobre la metodología de entrenamiento y las funciones de pérdida utilizadas para optimizar estos modelos. Finalmente, exploraremos la intuición detrás de los modelos probabilísticos de difusión y su entrenamiento.

What's included

4 videos6 readings2 assignments

Instructors

Luis Felipe Giraldo Trujillo
Universidad de los Andes
4 Courses336 learners

Offered by

Recommended if you're interested in Machine Learning

Why people choose Coursera for their career

Felipe M.
Learner since 2018
"To be able to take courses at my own pace and rhythm has been an amazing experience. I can learn whenever it fits my schedule and mood."
Jennifer J.
Learner since 2020
"I directly applied the concepts and skills I learned from my courses to an exciting new project at work."
Larry W.
Learner since 2021
"When I need courses on topics that my university doesn't offer, Coursera is one of the best places to go."
Chaitanya A.
"Learning isn't just about being better at your job: it's so much more than that. Coursera allows me to learn without limits."

New to Machine Learning? Start here.

Placeholder

Open new doors with Coursera Plus

Unlimited access to 7,000+ world-class courses, hands-on projects, and job-ready certificate programs - all included in your subscription

Advance your career with an online degree

Earn a degree from world-class universities - 100% online

Join over 3,400 global companies that choose Coursera for Business

Upskill your employees to excel in the digital economy

Frequently asked questions