Fundamentos de Deep Learning y Optimización
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.
for xb, yb in loader:
opt.zero_grad()
loss = loss_fn(model(xb), yb)
loss.backward()
opt.step()
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.
Derivar e implementar backpropagation de una red densa en NumPy y verificarlo con gradient checking
Elegir y justificar un optimizador y un schedule de learning rate (SGD, momentum, Adam y AdamW)
Entrenar y depurar redes en PyTorch con un training loop propio, sin atajos de alto nivel
Diagnosticar el sobreajuste y controlarlo con weight decay, dropout, normalización y early stopping
Elegir entre MLP, CNN, LSTM y atención según la forma de los datos, y justificarlo con una ablación
Entregar un modelo de riesgo de mora para Fintora con informe ejecutivo y defensa conversacional
6 unidades · 30 horas
Cada unidad incluye lecciones, un quiz de corrección automática y un entregable en un notebook de Google Colab.
- 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
- 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
- Tensores, autograd y nn.Module
- Training loop propio con DataLoader, checkpoints y evaluación
- Entrenamiento en GPU y equivalencia numérica con tu versión en NumPy
- 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
- 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
- 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
- 10 preguntas al azar de un banco de 20 · 40 minutos · 2 intentos
- Se aprueba con 6 sobre 10
- Aprobarlo habilita el certificado
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
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.
Derivar
Gradientes y reglas de actualización.
Implementar
Cada pieza en NumPy, sin atajos.
Verificar
Gradient checking y equivalencia numérica.
Aplicar
PyTorch sobre un caso real de riesgo de mora.
Herramientas que usarás
Sin fricción de configuración. Todo se ejecuta en Google Colab.
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.
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).
Resolvemos tus dudas
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.