1. Inicio
  2. Cursos
  3. Fundamentos de Deep Learning y Optimización
CURSO AVANZADO · 30 HORAS

Fundamentos de Deep Learning y Optimización

De backpropagation en NumPy a redes que generalizan

Construí una red neuronal desde cero, entendé por qué los optimizadores funcionan y entrená modelos en PyTorch con criterio. Un caso de riesgo de mora de una fintech, de principio a fin, con regularización, CNN 1D, LSTM y atención.

30 horas
6 unidades
Tutor virtual 24/7
Perfil avanzado
train.py
# Training loop propio
for xb, yb in loader:
  opt.zero_grad()
  loss = loss_fn(model(xb), yb)
  loss.backward()
  opt.step()
1
Derivar — backpropagation desde cero
2
Optimizar — SGD, Adam y schedules
3
Generalizar — regularización y arquitecturas
6
Unidades didácticas
30h
Duración total
Avanzado
Nivel del curso
24/7
Tutor virtual disponible
Inversión del curso
$100.000 ARS
Acceso completo + certificado IDSA con trámite de homologación UTN. Emisión por curso, no al final del trayecto.
Único pago
Transferencia · Mercado Pago · PayPal
$100.000
▸ OBJETIVOS DE APRENDIZAJE

Entendé lo que pasa adentro de una red neuronal

Cada objetivo es verificable mediante entregables y defensa conversacional. Vas a poder construir, depurar y justificar un modelo de Deep Learning, no solo ejecutarlo.

1

Derivar e implementar backpropagation de una red densa en NumPy y verificarlo con gradient checking

2

Elegir y justificar un optimizador y un schedule de learning rate (SGD, momentum, Adam y AdamW)

3

Entrenar y depurar redes en PyTorch con un training loop propio, sin atajos de alto nivel

4

Diagnosticar el sobreajuste y controlarlo con weight decay, dropout, normalización y early stopping

5

Elegir entre MLP, CNN, LSTM y atención según la forma de los datos, y justificarlo con una ablación

6

Entregar un modelo de riesgo de mora para Fintora con informe ejecutivo y defensa conversacional

▸ TEMARIO COMPLETO

6 unidades · 30 horas

Cada unidad incluye lecciones, un quiz de corrección automática y un entregable en un notebook de Google Colab.

1
Redes
La red neuronal como función diferenciable
▼
  • De la neurona a un MLP: capas, activaciones y función de pérdida
  • Backpropagation derivado con la regla de la cadena e implementado en NumPy
  • Gradient checking: cómo verificar que tus gradientes son correctos
2
Optimización
Del gradiente descendente a Adam
▼
  • Superficies de pérdida, mini-batches y learning rate
  • SGD, momentum, RMSProp y Adam implementados a mano
  • Schedules, warm-up y gradientes que explotan o desaparecen
3
PyTorch
PyTorch desde adentro
▼
  • Tensores, autograd y nn.Module
  • Training loop propio con DataLoader, checkpoints y evaluación
  • Entrenamiento en GPU y equivalencia numérica con tu versión en NumPy
4
Generalización
Regularización en redes neuronales
▼
  • Diagnosticar sobreajuste con curvas de entrenamiento y validación
  • Weight decay (conexión con Ridge y Lasso), dropout, batch norm e inicialización
  • Early stopping y AdamW frente a Adam con L2
5
Arquitecturas
CNN 1D, LSTM y atención
▼
  • Elegir la arquitectura según la forma de los datos
  • Convolución 1D, LSTM y una capa de self-attention desde cero
  • Ablaciones: comparar costo y desempeño bajo el mismo protocolo
6
Proyecto
Proyecto integrador
▼
  • Del baseline a la red final: optimización, regularización y arquitectura
  • Informe ejecutivo para el comité de riesgo de Fintora
  • Defensa conversacional de tus decisiones de modelado
✓
Cierre
Examen Final y certificado
▼
  • 10 preguntas al azar de un banco de 20 · 40 minutos · 2 intentos
  • Se aprueba con 6 sobre 10
  • Aprobarlo habilita el certificado
▸ MODALIDAD

Diseñado para profesionales que practican

100% autogestionado y asincrónico. Cada unidad incluye lecciones, un quiz y un entregable en Google Colab con controles automáticos y defensa conversacional.

Tutor virtual 24/7

Un asistente virtual entrenado sobre el contenido del curso resuelve tus dudas y evalúa tu comprensión mediante defensa conversacional.

  • Respuestas claras y sintéticas
  • Disponible las 24 horas
  • Contexto del curso completo

Lecciones en texto

Contenido estructurado en el campus, con la matemática justa y ejemplos paso a paso. Leé, consultá y avanzá a tu ritmo.

  • Ejemplos paso a paso
  • Búsqueda instantánea
  • Ritmo personal

Notebooks en Google Colab

Notebooks ejecutables con código real y GPU disponible. No pseudocódigo: cada técnica se implementa y se ejecuta.

  • Sin instalación
  • GPU disponible
  • Código paso a paso

Entregables con defensa conversacional

Cada unidad tiene un entregable con controles automáticos y una defensa conversacional. Recibís feedback sobre tu trabajo y tus decisiones.

  • Controles automáticos
  • Defensa conversacional
  • Criterios claros
▸ METODOLOGÍA

Primero a mano, después con la librería

Cada técnica se deriva, se implementa desde cero y se verifica antes de usar la versión de PyTorch. Así entendés lo que la librería hace por vos.

1

Derivar

Gradientes y reglas de actualización.

2

Implementar

Cada pieza en NumPy, sin atajos.

3

Verificar

Gradient checking y equivalencia numérica.

4

Aplicar

PyTorch sobre un caso real de riesgo de mora.

▸ STACK TECNOLÓGICO

Herramientas que usarás

Sin fricción de configuración. Todo se ejecuta en Google Colab.

Python Python
NumPy NumPy
PyTorch PyTorch
scikit-learn scikit-learn
pandas pandas
Google Colab Google Colab
▸ CERTIFICACIÓN ACADÉMICA

Doble aval universitario, verificación digital

Al aprobar el curso descargás tu certificado desde el campus y podés tramitar la homologación del certificado oficial: Instituto Data Science Argentina y UTN Facultad Regional Reconquista.

Certificado IDSA + UTN

Qué incluye el certificado

  • Doble firma: Director de IDSA + Decano UTN FRRQ
  • Resolución oficial: 920/2020 UTN Facultad Regional Reconquista
  • Datos personalizados: nombre, DNI, curso, carga horaria y calificación
  • Código QR de verificación digital
  • Homologación a pedido: enviás el certificado del campus y tu DNI a info@institutodatascience.org y recibís el certificado oficial por correo
  • Emisión por curso: no esperás al final del trayecto

Se habilita al aprobar el Examen Final del curso (nota mínima 6 sobre 10).

▸ PREGUNTAS FRECUENTES

Resolvemos tus dudas

¿Qué conocimientos previos necesito?▼
Perfil avanzado. Necesitás Python con NumPy y pandas, y matemática básica: derivadas parciales y álgebra lineal elemental (por ejemplo, la que ves en Nivelación Matemática). Recomendamos haber cursado Estadística Avanzada, Sesgo y Regularización, porque la Unidad 4 retoma Ridge y Lasso como weight decay.
¿Necesito una placa de video o instalar algo?▼
No. Los notebooks corren en Google Colab, con GPU disponible sin costo, y no instalás nada en tu computadora.
¿Por qué implementar backpropagation a mano si existe PyTorch?▼
Porque quien entiende qué hace el gradiente puede depurar una red que no aprende. Primero lo construís en NumPy y verificás que sea correcto; recién en la Unidad 3 pasás a PyTorch y comprobás que ambas versiones dan el mismo resultado.
¿Cuánto tiempo tengo que dedicarle por semana?▼
Con 5 horas semanales completás las 30 horas del curso en 6 semanas. Podés avanzar más rápido o más lento, porque es 100% asincrónico.
¿Cómo se verifican los entregables?▼
Cada unidad cierra con un entregable que se verifica con controles automáticos (gradientes correctos, equivalencia numérica entre versiones, métricas mínimas) y una defensa conversacional con el tutor virtual. Cada entregable usa un único archivo de datos, incluido en el campus.
¿Cómo se abona el curso?▼
El valor del curso es de $100.000 ARS y se abona en un único pago mediante transferencia bancaria, Mercado Pago o PayPal.
¿Cómo obtengo el certificado?▼
Al aprobar el Examen Final (10 preguntas al azar, 40 minutos, 2 intentos, nota mínima 6 sobre 10) se habilita el certificado en el campus. Para el certificado oficial, enviás ese certificado y tu DNI a info@institutodatascience.org.
¿Cuál es el siguiente paso después de este curso?▼
Es la base de los cursos avanzados que usan redes neuronales: Modelos de Difusión (DDPM), Deep Learning Geométrico, Causalidad con Deep Learning, RAG Avanzado, Computer Vision Aplicada y Sistemas Multiagente e IA Agéntica.

De la matemática al modelo que generaliza

6 unidades, 30 horas, verificable y aplicable. Con un caso de estudio de riesgo de mora y certificación IDSA + UTN.

Item added to cart.
0 items - $0,00