Curso de Capacitación en Fundamentos y Aplicaciones del Deep Learning usando Python
Dirigido a
- Estudiantes de ingeniería, ciencias de la computación, matemática, física o afines que deseen introducirse en el aprendizaje profundo desde sus fundamentos.
- Profesionales del ámbito tecnológico o científico que buscan actualizarse en herramientas modernas de inteligencia artificial y redes neuronales.
- Público en general con conocimientos básicos de programación y matemáticas, que tenga interés por aprender sobre inteligencia artificial y sus usos prácticos.
Certificación Digital
A nombre de FABRICUM y del Departamento de Ingeniería de la PUCP.
Regístrate aquí
¿Por qué llevar el curso?
Este curso te permitirá comprender los fundamentos de las redes neuronales artificiales y el funcionamiento de los modelos de Deep Learning, combinando una base conceptual sólida con un enfoque práctico mediante el uso de Python, NumPy y TensorFlow. A lo largo del curso, se abordarán técnicas de clasificación, regresión, visión por computadora y procesamiento de lenguaje natural, así como métricas para la evaluación del desempeño de modelos de aprendizaje profundo. Llevar este curso representa una oportunidad para fortalecer tus habilidades técnicas, entender cómo se aplican las redes neuronales en distintos contextos y adquirir competencias clave en un campo con alta demanda y aplicación en múltiples áreas como tecnología, ciencia de datos, investigación e industria.
Plana docentePlana docente de primer nivel profesional y académico.
Malla curricularMalla curricular especializada y actualizada.
Clases en vivoClases en vivo con interacción continua entre docente y alumno.
Sesiones GrabadasGrabación de las clases (no descargables) para que puedas revisarlas.
Temario
- Estructuras de datos (listas, diccionarios, tuplas y conjuntos).
- Funciones, control de flujo y comprensión de listas.
- Buenas prácticas, manejo de errores y entorno de trabajo (Jupyter, Colab o VSCode).
- Introducción a NumPy, Matplotlib y procesamiento de datos.
- Manipulación de arrays, operaciones vectorizadas y broadcasting.
- Fundamentos de redes neuronales.
- Implementación de redes multicapa.
- Propagación hacia adelante y hacia atrás (backpropagation).
- Entrenamiento de un modelo sobre datos reales.
- Funciones de costo, descenso del gradiente, batch vs. mini-batch.
- Regularización L2, Dropout y normalización de datos.
- Métodos para afinar hiperparámetros y evitar el sobreajuste.
- Operaciones de convolución, padding, stride y pooling.
- Arquitecturas base (LeNet, VGG) y principios de diseño de CNN.
- Ejemplo práctico de una red convolucional.
- Clasificación de imágenes y detección de objetos básicos.
- Introducción a transferencia de aprendizaje (Transfer Learning).
- Visualización de activaciones y filtros convolucionales.
- Introducción al modelado de secuencias: texto, audio, series de tiempo.
- Arquitectura RNN básica: propagación en el tiempo y problemas de gradientes.
- LSTM y GRU: ventajas frente a las RNN tradicionales.
- Implementación de modelos de generación de texto.
- Word embeddings y predicción de secuencias.
- Casos de uso reales: traducción automática y series temporales.
Requisito
- El único requisito sería tener conocimientos básicos de programación; sin embargo en las primeras sesiones se brindarán un repaso general del lenguaje Python para poder nivelar al grupo.
Inversión
-
Público General S/. 850.00
-
Comunidad PUCP* S/. 760.00
Descuentos
-
Pronto pago público en general S/. 800.00El descuento de pronto pago aplica hasta el 26/01/2026
-
Pronto pago comunidad PUCP* S/. 720.00El descuento de pronto pago aplica hasta el 26/01/2026