Aprendizaje Profundo Geométrico
Dominá la teoría de grupos y la equivarianza, implementá GNNs desde cero y aplicá redes equivariantes a datos 3D. Comprendé la geometría diferencial detrás de los Transformers modernos y reproducí papers de frontera.
def gnn_layer(x, edge_index):
msg = message_passing(x, edge_index)
agg = aggregate(msg)
return update(x, agg) # T’f(x)
Lo que lograrás al completar el curso
Cada objetivo es verificable mediante entregables con corrección automática. Aprenderás a diseñar arquitecturas que respetan las simetrías de los datos con rigor matemático.
Comprender formalmente simetrías, grupos y su relación con el deep learning
Diferenciar invarianza de equivarianza con formalismo matemático
Implementar capas equivariantes desde primeros principios
Comprender el message passing en grafos como operador equivariante
Implementar GNNs desde cero antes de usar librerías
Aplicar redes equivariantes a datos 3D (nubes de puntos, mallas)
Comprender la geometría diferencial detrás de las arquitecturas modernas
Implementar Transformers geométricos
Evaluar modelos geométricos con métricas apropiadas
Reproducir resultados de papers de frontera
Documentar y comunicar arquitecturas geométricas con rigor científico
10 unidades · 4 horas cada una
Progresión estructurada: de la teoría de grupos a la implementación de Transformers geométricos y la reproducción de papers de frontera.
- Comprender formalmente el concepto de simetría
- Manejar grupos finitos y continuos
- Relacionar simetrías con el diseño de arquitecturas
- Diferenciar invarianza de equivarianza formalmente
- Implementar capas invariantes y equivariantes
- Comprender el pooling como operación invariante
- Comprender las convoluciones equivariantes
- Implementar convoluciones en grupos finitos y continuos
- Aplicar a imágenes con simetrías no triviales
- Comprender el paradigma de message passing formalmente
- Implementar GNNs desde cero
- Conocer las arquitecturas clásicas de GNN
- Aplicar GNNs a problemas reales
- Comprender tareas a nivel de nodo, arista y grafo
- Manejar grafos grandes y dinámicos
- Comprender las simetrías de datos 3D
- Implementar redes equivariantes a rotaciones 3D
- Aplicar a nubes de puntos y mallas
- Comprender los fundamentos de geometría diferencial
- Relacionar variedades, fibrados y campos vectoriales con arquitecturas
- Aplicar conceptos geométricos a problemas de deep learning
- Comprender la conexión entre atención y geometría
- Implementar Transformers equivariantes
- Aplicar a datos 3D y grafos
- Definir métricas apropiadas para modelos geométricos
- Implementar validación rigurosa
- Detectar y evitar overfitting en datos estructurados
- Reproducir resultados de un paper de frontera
- Aplicar todo lo aprendido en un proyecto completo
- Documentar con rigor académico
Diseñado para investigadores y profesionales avanzados
100% asincrónica, autogestionada. Notebooks ejecutables en Google Colab, asistente RAG 24/7 y entregables con rigor académico.
Tutor RAG 24/7
Un asistente RAG entrenado sobre el contenido del curso y papers relacionados responde tus dudas con fuentes citadas.
- Respuestas con fuentes citadas
- Disponible las 24 horas
- Contexto académico riguroso
Lecciones en texto
Contenido teórico estructurado y demostraciones matemáticas. Leé, consultá y avanzá a tu ritmo.
- Escritas y referenciadas
- Marco formal claro
- Ritmo personal
Notebooks en Google Colab
Notebooks ejecutables con código real y de frontera. No pseudocódigo: cada arquitectura se implementa desde cero.
- Ejecución sin configuración
- Código paso a paso
- GPU disponible en Colab
Entregables verificados
Cada unidad tiene entregables con verificación automática: implementaciones matemáticamente correctas y reproducción de resultados.
- Corrección automática
- Criterios objetivos
- Rigor académico
De la teoría de grupos a los Transformers geométricos
Un ciclo claro que parte de los fundamentos matemáticos y llega a la implementación de arquitecturas equivariantes en entornos reales.
Identificar
Simetrías, grupos e invarianza.
Implementar
GNNs, message passing y convoluciones.
Profundizar
Redes 3D, geometría diferencial y Transformers.
Evaluar
Métricas, overfitting y reproducción de papers.
Herramientas que usarás
Sin fricción de configuración. Todo se ejecuta en Google Colab con soporte de GPU.
Doble aval universitario, verificación digital
Al completar el curso recibís un certificado digital con doble aval: UTN Facultad Regional Reconquista e Instituto Data Science Argentina.
Qué incluye el certificado
- Doble firma: Decano UTN FRRQ + Director IDSA
- Resolución oficial: 920/2020 UTN Facultad Regional Reconquista
- Datos personalizados: nombre, DNI, curso, carga horaria y calificación
- Código QR de verificación digital
- Copia automática a la Facultad para registro oficial
- Emisión por curso: no esperás al final del trayecto
Se emite al aprobar los quizzes del curso y los trabajos prácticos con estado aprobado.
Resolvemos tus dudas
De las simetrías a los Transformers geométricos
10 unidades, 40 horas, verificable y aplicable. Dominá la equivarianza y la geometría en deep learning.