Volver a todos los cursos

M&DL2601 - Math & Deep Learning

Le damos la bienvenida a nuestro curso Math & Deep Learning. En esta sección encontrará el material semanal que incluye las grabaciones, las notas del curso y las presentaciones. También podrá acceder a los recursos utilizados en clase y descargar las evaluaciones correspondientes. ¡Le deseamos mucho éxito en su aprendizaje y en el camino hacia el dominio del Deep Learning desde sus fundamentos matemáticos!

Redes densas y otras funciones no lineales

Redes recurrentes (RNN, LSTM, GRU) & Procesos estocásticos

Redes convolucionales (CNN) & Análisis de Fourier

Autoencoders (densas & recurrentes) v.s. Teoría de los Valores Extremos

Optimización en redes densas & GPU

Generative Adversarial Networks (GAN) & Teoría de Juegos

Manual del curso

Código de conducta

Semana

Redes densas y otras funciones no lineales

En este primer módulo del curso hablaremos sobre la importancia de la composición de funciones para aproximar patrones complicados en las bases de datos, esta idea es la base de las redes neuronales densas las cuales introduciremos en este primer módulo. La intención es que los alumnos se familiaricen con los conceptos básicos tanto de las funciones como de los algoritmos de entrenamiento

M&DL2601 - 20 Jul, 2026

RESPONDER CUESTIONARIO

M&DL2601 - 21 Jul, 2026

RESPONDER CUESTIONARIO

M&DL2601 - 23 Jul, 2026

RESPONDER CUESTIONARIO

Semana

RETO I

M&DL2601 - 27 Jul, 2026

RESPONDER CUESTIONARIO

M&DL2601 - 28 Jul, 2026

RESPONDER CUESTIONARIO

M&DL2601 - 29 Jul, 2026

RESPONDER CUESTIONARIO

M&DL2601 - 30 Jul, 2026

RESPONDER CUESTIONARIO

Semana

Redes recurrentes (RNN, LSTM, GRU) & Procesos estocásticos

En esta semana hablaremos sobre las redes neuronales que permiten procesar secuencias similares a los procesos estocásticos. El nombre de estas redes es redes neuronales recurrentes y son indispensables en el modelado de las series de tiempo o del lenguaje natural. Hablaremos tanto sobre las redes recurrentes ingénuas como de las arquitecturas más sofisticadas llamadas LSTM.

M&DL2601 - 03 Ago, 2026

RESPONDER CUESTIONARIO

M&DL2601 - 04 Jul, 2026

RESPONDER CUESTIONARIO

ML&AI2603 - 06 Ago, 2026

RESPONDER CUESTIONARIO

Semana

Reto II

ML&DL2601 - 10 Ago, 2026

RESPONDER CUESTIONARIO

ML&DL2601 - 13 Ago, 2026

RESPONDER CUESTIONARIO

Semana

Redes convolucionales (CNN) & Análisis de Fourier

En este tema estudiaremos cómo las redes convolucionales (CNN) aprovechan la estructura local de los datos como imágenes y series de tiempo para extraer patrones cada vez más complejos a partir de operaciones de convolución. Veremos cómo el compartir parámetros y la invariancia por traslación permiten construir modelos profundos con menos pesos que una red densa tradicional, manteniendo buena capacidad de generalización. En paralelo, introduciremos el análisis de Fourier como el lenguaje matemático que nos permite interpretar estas convoluciones como filtros en el dominio de la frecuencia, entendiendo cómo distintas combinaciones de senos y cosenos capturan bordes, texturas y detalles finos dentro de una señal o imagen.

ML&DL2601 - 17 Ago, 2026

RESPONDER CUESTIONARIO

ML&DL2601 - 18 Ago, 2026

RESPONDER CUESTIONARIO

M&DL2601 - 19 Ago, 2026

RESPONDER CUESTIONARIO

Semana

Reto III

No items found.

Semana

Autoencoders (densas & recurrentes) v.s. Teoría de los Valores Extremos

En esta semana estudiaremos una arquitectura llamada auto-encoders la cual es una generalización del análisis de componentes principales tan socorrido en Ciencia de Datos. Esta arquitectura es la base además de una buena parte de la Inteligencia Artificial Generativa.

No items found.

Semana

RETO IV

‍

No items found.

Semana

Optimización en redes densas & GPU

En esta semana hablaremos sobre los distintos métodos para optimizar redes neuronales profundas concentrándonos en los distintos algoritmos y las ventajas y diferencias que tienen cada uno de ellos. El objetivo es que los estudiantes puedan elegir el método correcto.

‍

No items found.

Semana

RETO V

No items found.

Semana

Generative Adversarial Networks (GAN) & Teoría de Juegos

Lectura de referencia

‍

En este módulo abordaremos por primera vez los modelos Generativos los cuales son la base de las aplicaciones modernas de GenAI. El modelo que estudiaremos es el de Generative Adversarial Networks el cual está basado en un juego de suma cero entre un modelo clasificador y otro modelo generador.

No items found.

Semana

RETO VI

No items found.

Acceso restringido

Por favor de comunicarte con nuestro soporte si este es un error.

Contacto Iniciar sesión