💾Temario

Ruta de aprendisaje:

Nivel básico:

1.- Introducción a las redes neuronales:

    - Conceptos fundamentales de las redes neuronales.
    - Arquitectura de una neurona artificial.
    - Funciones de activación y su importancia.

2.- Redes neuronales feedforward:

    - Arquitectura y funcionamiento básico de las redes neuronales feedforward.
    - Aprendizaje supervisado y no supervisado.
    - Algoritmo de retropropagación (backpropagation).

3.- Redes neuronales convolucionales (CNN):

    - Introducción a las CNN y su aplicabilidad en visión por computadora.
    - Capas convolucionales, de agrupación y completamente conectadas.
    - Ejemplos de aplicaciones de las CNN en reconocimiento de imágenes.

Nivel intermedio:
4.- Redes neuronales recurrentes (RNN):

    - Concepto de memoria a largo plazo y memoria a corto plazo en RNN.
    - Arquitecturas de RNN: redes de retroalimentación simple y redes LSTM (Long Short-Term Memory).
    - Aplicaciones de las RNN en procesamiento de lenguaje natural.
    
5.- Redes generativas adversariales (GAN):
    -Introducción a las GAN y su funcionamiento básico.
    - Generación de imágenes realistas con GAN.
    - Desafíos y avances en el campo de las GAN.
    
Nivel avanzado:
6. Redes neuronales transformers:

    - Conceptos fundamentales de las redes neuronales transformers.
    - Atención y autoatención en transformers.
    - Arquitectura de los transformers y su aplicación en tareas de procesamiento del lenguaje natural.

7.-Modelos de lenguaje basados en transformers:

    - Pre-entrenamiento y ajuste fino de modelos de lenguaje con transformers.
    - Aplicaciones de modelos de lenguaje transformers en traducción automática, generación de texto y resumen automático.

8.- Redes neuronales transformers avanzadas:

    - Variaciones de los transformers, como BERT, GPT y T5.
    - Avances recientes y tendencias en redes neuronales transformers.