Curso

DEEP LEARNING EN PYTORCH APLICADO AL ANÁLISIS DE SEÑALES E IMÁGENES

  • Desde: 13/2/26
  • Hasta: 7/3/26
  • Campus de Valencia
  • Idioma: Castellano
  • Presencial

Preinscripción desde el 22/12/25

Promovido por:
Instituto Universitario de Investigación en Tecnología Centrada en el Ser Humano

Responsable de la actividad:
Valeriana Naranjo Ornedo


Inscripción

Modalidad

Presencial Online Emisión en directo

40 horas


0 horas


0 horas

Horario

Tarde
Viernes 13/02/2026 de 15.00 a 20:00h
Sábado 14/02/2026 de 09:00 a 14:00h
Viernes 20/02/2026 de 15.00 a 20:00h
Sábado 21/02/2026 de 09:00 a 14:00h
Jueves 26/02/2026 de 15.00 a 20:00h
Sábado 28/02/2026 de 09:00 a 14:00h
Viernes 06/03/2026 de 15.00 a 20:00h
Sábado 07/03/2026 de 09:00 a 14:00h

Lugar de impartición
Centro de Formación Permanente (CFP)
Certificación

Aprovechamiento

Modalidad

PRESENCIAL

Curso

2025-2026

ECTS

4

Campus

Valencia

40 h

Presenciales

0 h

Online

Precio Colectivo
349 € Alumno UPV 
349 € Alumni UPV PLUS 
349 € Personal UPV 
549 € Público en general 
349,00 € - Alumno UPV
349,00 € - Personal UPV
349,00 € - Alumni UPV PLUS
549,00 € - Público en general

Objetivos

Son varios los objetivos que pretende abordar el curso:
1. Dar a conocer al alumno los fundamentos teóricos de la técnica de aprendizaje profundo (Deep Learning en inglés) para la creación de potentes modelos predictivos que aprendan automáticamente los patrones más representativos de los datos.
2. Resolución práctica de casos de estudio típicos enmarcados en el campo de la inteligencia artificial mediante el paradigma del deep learning.
3. Dar a conocer una de las herramientas más intuitivas y accesibles para poner en práctica el entrenamiento de modelos basados en redes neuronales profundas empleando GPUs como es Google Colab en combinación con el framework PyTorch.

Acción formativa dirigida a

- Estudiantes de grado o recién titulados que estén interesados en la técnica de deep Learning tanto para la creación de modelos predictivos a partir de datos 1D como para el desarrollo de soluciones de clasificación/segmentación en el ámbito de la visión por computador empleando imágenes o vídeos.
- Profesionales del sector de las TIC que necesiten adquirir conocimientos acerca de los fundamentos básicos del aprendizaje profundo y llevarlos a la práctica con el objetivo de automatizar procesos a partir de grandes volúmenes de datos, generando valor para las compañías a las que pertenecen.
- Cualquier otra persona interesada en la programación y en la creación de modelos automáticos destinados a cualquier aplicación dentro de la inteligencia artificial.


Profesores

  • María Rocío Del Amor Del Amor Profesor/a Permanente Laboral

Metodología didáctica y sistemas de evaluación

Curso teórico-práctico en el que al principio de la sesión se introducen los conceptos teóricos pertinentes al tema a cubrir. Posteriormente dichos conocimientos teóricos se llevan a la práctica por medio de ejemplos y/o casos de estudio empleando la plataforma Google Colab. Finalmente, el alumno debe ser capaz de poner dichos conceptos en práctica por él mismo mediante un micro-proyecto/trabajo final durante las dos últimas
sesiones del curso.
El lenguaje de programación empleado será Python y se hará uso de la librería PyTorch para poner en práctica la técnica de aprendizaje profundo.

Temas a desarrollar

Sesión 1
Teoría 1. Fundamentos de redes neuronales (2h30)
- Introducción a las redes neuronales
- Descenso por gradiente
- Algoritmo perceptrón
- Forward and backward propagation
Práctica 1. Forward & backpropagation: Evaluando el perceptrón con funciones lógicas (2h30)
o Introducción a Python
o Entorno de trabajo: Google Colaboratory
o Funciones lógicas

Sesión 2
Teoría 2a. Aprendizaje y evaluación en redes neuronales (2h)
- División y preprocesado de los datos
- Parámetros e hiperparámetros
- Métodos de optimización
- Métodos de regularización
- Inicialización de pesos
Teoría 2b. Introducción a PyTorch (1,5h)
- ¿Qué es PyTorch?
- Tensores y operaciones
- AutoGrad
- CPU vs GPU
- Torch.nn.Sequential y torch.optim
- Carga de datos (DataLoaders)
Práctica 2a. Nuestro primer MLP en PyTorch (1,5h)
o MNIST dataset
o Entrenamiento básico (“Training loop” manual)
o Accuracy vs Loss
o One-hot encoding vs integer labels

Sesión 3
Teoría 3a. PyTorch: Más allá de lo básico (1h)
- Clases personalizadas (torch.nn.Module)
- Regularizadores y schedulers en Pytorch
- Optimización de hiperparámetros (Optuna/RayTune)
- Predicción y evaluación en PyTorch
Práctica 2b. Redes neuronales empleando PyTorch y MNIST: Estudio de hiperparámetros mediante Optuna (2h)
Teoría 3b. Fundamentos de las redes neuronales convolucionales (2h)
- Introducción a las CNNs
- Operación convolución
- Extracción automática de características
- Arquitectura y capas de una CNN

Sesión 4
Teoría 4. PyTorch para el desarrollo de CNNs (2h)
- DataLoaders + Image Transformations
- Desarrollo de CNNs empleando PyTorch
- Callbacks y data generators
Práctica 3. CNNs con PyTorch para la clasificación de imágenes (3h)
o CIFAR-10 dataset
o Comunicación Google Drive – Google Colab
o Instalación de paquetes y almacenamiento de datos en la máquina Colab

Sesión 5
Teoría 5. Arquitecturas CNN existentes y transferencia del conocimiento (2h)
- Challenge ImageNet
- CNNs existentes (VGGs, ResNet, EfficientNet, etc.)
- Transferencia del conocimiento y Fine-tuning
- Data augmentation
Práctica 4. Transferencia del conocimiento, data augmentation y visualización interna de una CNN (3h)
o Torchvision.models
o Torchvision.transforms
o Congelar/descongelar capas
o Visualización de filtros y feature maps

Sesión 6
Teoría 6. Deep learning aplicado a texto y secuencias temporales (2h)
- Bag of Words & N-gramas
- One hot encoding vs Word Embeddings
- Redes Neuronales Recurrentes: Unidades LSTM y GRU
- Transformers
Práctica 5. Redes neuronales recurrentes y Transformers para la clasificación de texto según emociones (3h)

Sesión 7
Teoría 7. Explicación de los µProyectos propuestos y detalles teóricos (1h)
Práctica final. Resolución de un µProyecto en clase I (4h)

Sesión 8
Teoría 8. Hardware/software necesario para Deep Learning (1h)
- Hardware necesario para DL
- Software necesario para DL
- Integración y entorno de Desarrollo
Práctica final. Resolución de un µProyecto en clase II (4h)

Inscripción