1. Origen y evolución de las redes neuronales
  2. Estructura general de una neurona artificial
  3. Capas, pesos y funciones de activación
  4. Tipos de redes neuronales y sus aplicaciones
  5. Flujo de datos y aprendizaje en una red

  1. Operaciones de álgebra lineal aplicadas a redes neuronales
  2. Cálculo del gradiente y optimización mediante derivadas
  3. Funciones de pérdida en el entrenamiento de modelos
  4. Métodos de normalización de datos
  5. Estrategias de regularización frente al sobreajuste

  1. Configuración del entorno de desarrollo en Python
  2. Uso de NumPy para operaciones matriciales
  3. Implementación manual de una red neuronal simple
  4. Entrenamiento del modelo con datos simulados
  5. Análisis de resultados mediante visualizaciones

  1. Preparación de los conjuntos de entrenamiento, validación y prueba
  2. Selección de hiperparámetros óptimos
  3. Aplicación de la validación cruzada
  4. Evaluación del rendimiento con métricas específicas
  5. Gestión y almacenamiento de modelos entrenados

  1. Estructura y características de las redes neuronales profundas
  2. Funcionamiento de las capas ocultas y su relación con la abstracción de datos
  3. Importancia de la profundidad en la representación del conocimiento
  4. Problemas de aprendizaje en redes de múltiples capas
  5. Estrategias de optimización para mejorar la eficiencia del modelo

  1. Fundamentos del procesamiento de información visual
  2. Papel de las capas convolucionales en la extracción de características
  3. Función de las capas de pooling en la reducción de dimensionalidad
  4. Arquitecturas más influyentes en el desarrollo de las CNN
  5. Ventajas estructurales frente a otros tipos de redes neuronales

  1. Principio de funcionamiento de las redes neuronales recurrentes
  2. Mecanismo de propagación de información en secuencias temporales
  3. Limitaciones de las RNN tradicionales
  4. Estructura y ventajas de las redes LSTM
  5. Aplicaciones basadas en datos secuenciales y temporales

  1. Fundamentos del aprendizaje generativo adversarial
  2. Estructura del generador en una red GAN
  3. Función del discriminador en el proceso de aprendizaje
  4. Dinámica de interacción entre las dos redes
  5. Aplicaciones y retos en la generación de contenido sintético

  1. Principio de funcionamiento de los autoencoders
  2. Estructura del modelo encoder
  3. Estructura del modelo decoder
  4. Reducción de dimensionalidad mediante autoencoders
  5. Detección de anomalías con autoencoders

  1. Diseño estructural de una red neuronal completa
  2. Selección de funciones de activación y capas adecuadas
  3. Entrenamiento del modelo con un conjunto de datos real
  4. Evaluación del rendimiento final del modelo
  5. Exportación e implementación del modelo entrenado