DEEP LEARNING EN PYTORCH APLICADO AL ANÁLISIS DE SEÑALES E IMÁGENES

- 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.

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)