Módulo 03 — DEEP LEARNING
El módulo donde entiendes qué hay dentro de la caja. Construirás redes neuronales desde cero con NumPy, dominarás PyTorch, y terminarás entendiendo la arquitectura Transformer — la pieza exacta sobre la que se construyen Claude, GPT y Gemini. Sin este módulo, los LLMs son magia; con él, son ingeniería.
Índice del módulo
| # |
Capítulo |
Qué aprenderás |
| 1 |
Redes neuronales desde cero |
Neurona, perceptrón, MLP, activaciones, forward pass — implementado en NumPy puro |
| 2 |
Backpropagation y entrenamiento |
Funciones de pérdida, backprop paso a paso, optimizadores, regularización |
| 3 |
PyTorch |
Tensores, autograd, nn.Module, DataLoader, el training loop profesional, GPU |
| 4 |
Visión por computador: CNNs |
Convoluciones, pooling, arquitecturas clásicas, transfer learning en imágenes |
| 5 |
Secuencias: RNNs y embeddings |
RNN/LSTM/GRU, embeddings de palabras, seq2seq y por qué necesitábamos algo mejor |
| 6 |
Transformers |
Attention, self-attention, multi-head, la arquitectura completa, BERT vs GPT |
| 7 |
Transfer learning y el camino a los LLMs |
Hugging Face, fine-tuning práctico, hardware y escalado — el puente al módulo 04 |
| 8 |
Ejercicios |
30 ejercicios con soluciones |
| 9 |
Laboratorios |
5 laboratorios guiados paso a paso |
| 10 |
Proyectos |
Mini proyecto (clasificador de imágenes) + proyecto profesional (clasificador de tickets con fine-tuning) |
Objetivos
Al terminar este módulo serás capaz de:
- [ ] Implementar una red neuronal completa (forward + backward) en NumPy puro y explicar cada línea.
- [ ] Explicar backpropagation, los optimizadores modernos (SGD, Adam) y las técnicas de regularización (dropout, batch norm, early stopping).
- [ ] Escribir training loops profesionales en PyTorch, con GPU, checkpoints y visualización de curvas.
- [ ] Construir y afinar CNNs para clasificación de imágenes con transfer learning.
- [ ] Explicar qué son los embeddings y por qué las RNN fueron reemplazadas.
- [ ] Explicar la arquitectura Transformer pieza a pieza: Q/K/V, self-attention, multi-head, positional encoding.
- [ ] Hacer fine-tuning de un modelo preentrenado de Hugging Face para un problema empresarial real.
- [ ] Decidir con criterio: ¿entrenar algo propio, afinar un preentrenado o llamar a una API?
Mapa conceptual del módulo
flowchart TD
A[1. La neurona y el MLP<br/>NumPy puro] --> B[2. Backpropagation<br/>y optimizadores]
B --> C[3. PyTorch<br/>la herramienta profesional]
C --> D[4. CNNs<br/>visión]
C --> E[5. RNNs y embeddings<br/>secuencias]
E --> F[6. Transformers<br/>attention is all you need]
D --> G[7. Transfer learning<br/>y el camino a los LLMs]
F --> G
G --> H[Módulo 04: LLM]
Duración estimada
| Ritmo |
Tiempo |
| Intensivo (20 h/semana) |
3 semanas |
| Estándar (15 h/semana) |
4 semanas |
| Pausado (8 h/semana) |
6–7 semanas |
Requisitos previos
Nota sobre hardware
todo el módulo se puede completar con CPU (datasets pequeños a propósito) o gratis con GPU en Google Colab. No necesitas comprar nada.
Stack del módulo
| Herramienta |
Uso |
| NumPy |
Redes desde cero (capítulos 1–2) |
| PyTorch |
El framework del módulo (capítulos 3–7) |
| torchvision |
Datasets y modelos de visión |
| Hugging Face (transformers, datasets) |
Modelos preentrenados y fine-tuning (capítulo 7) |
| Matplotlib |
Curvas de entrenamiento |
| Google Colab |
GPU gratuita opcional |
Checklist de salida del módulo
- [ ] Leí y reproduje el código de los 7 capítulos
- [ ] Completé los 5 laboratorios
- [ ] Resolví al menos 25 de los 30 ejercicios
- [ ] Terminé el mini proyecto (clasificador de imágenes con transfer learning)
- [ ] Terminé el proyecto profesional (clasificador de tickets con fine-tuning + API)
- [ ] Puedo dibujar y explicar la arquitectura Transformer sin mirar
- [ ] Puedo explicar backpropagation con un ejemplo numérico pequeño
- [ ] Sé justificar cuándo NO entrenar nada y usar una API (coste/beneficio)
Bibliografía y enlaces oficiales