IA Generativa: Fundamentos y Conceptos

Resumen

Explora los fundamentos matemáticos de la inteligencia artificial generativa, desde las redes neuronales hasta los avanzados modelos de aprendizaje profundo, con técnicas de implementación práctica y aplicaciones en ingeniería.

Programa de estudio

- Fundamentos de Redes Neuronales y Optimización -- En este módulo, explorarás los fundamentos de las redes neuronales, incluyendo perceptrones, arquitecturas y algoritmos de aprendizaje. Te adentrarás profundamente en métodos de optimización críticos para un entrenamiento eficiente, enfocándote en técnicas avanzadas como los métodos de Newton y cuasi-Newton, momento, RMSProp y algoritmos de optimización Adam. - Regularización y Técnicas Avanzadas -- Este módulo te guía a través de los enfoques matemáticos de las técnicas de regularización que mejoran la generalización de las redes neuronales y previenen el sobreajuste. Analizarás conceptos incluyendo el estimador de riesgo imparcial de Stein, descomposición en valores propios, métodos de conjunto, mecanismos de abandono, y técnicas de normalización avanzadas como la normalización por lotes. - Redes Neuronales Convolucionales (CNN) -- En este módulo, examinarás las redes neuronales convolucionales (CNN), incluyendo operaciones de convolución, compartición de parámetros, métodos de núcleo, y estructuras de datos multidimensionales. Explorarás arquitecturas avanzadas de CNN, técnicas de regularización, normalización, y las implicaciones de los núcleos aleatorios en el comportamiento de aprendizaje de la red. - Modelos Generativos y Aprendizaje por Máxima Verosimilitud -- En este módulo, analizarás las matemáticas subyacentes a los modelos generativos y la estimación de máxima verosimilitud (MLE). Explorarás métricas de divergencia como la divergencia de Kullback-Leibler, estructuras de redes bayesianas, y métodos de modelado autorregresivo, centrándote en sus fundamentos teóricos e implicaciones prácticas.

Enseñado por

Ramin Mohammadi

Etiquetas