Machine Learning y Visión Artificial · ML-101

PyTorch: tensores, MLP y entrenamiento

De los tensores al bucle de entrenamiento propio, con evaluación que no se engaña a sí misma.

Disponible Avanzado 7 módulos · 33 clases

Formato asíncrono Desarrollo, Ingeniería / Industria Python, PyTorch

IA DESARROLLO

Lo que aprenderás

Manipular tensores de PyTorch con indexado, broadcasting y movimiento entre CPU y GPU.
Calcular gradientes con autograd y entender qué hace backward sobre el grafo de cómputo.
Construir un perceptrón multicapa con nn.Module y funciones de activación adecuadas al problema.
Escribir el bucle de entrenamiento completo con Dataset, DataLoader, optimizador y scheduler.
Diagnosticar sobreajuste y subajuste leyendo las curvas de pérdida de entrenamiento y validación.
Guardar, cargar y reproducir un modelo fijando semillas y registrando hiperparámetros.

Contenido del curso

7 módulos · 33 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · Entorno y primeros tensores 5 clases

Instalación de PyTorch y comprobación de la GPU
Creación e indexado de tensores
Broadcasting y operaciones elemento a elemento
Paso entre NumPy y PyTorch
Trabajo en CPU y en GPU

Módulo 2 · Autograd y descenso de gradiente 5 clases

El grafo de cómputo y requires_grad
backward y acumulación de gradientes
Una regresión lineal entrenada a mano
Tasa de aprendizaje: efecto práctico
torch.no_grad y modo evaluación

Módulo 3 · Redes con nn.Module 5 clases

Capas lineales y funciones de activación
Definir un perceptrón multicapa
Funciones de pérdida para regresión y clasificación
Optimizadores SGD y Adam
Inicialización de pesos

Módulo 4 · Datos y bucle de entrenamiento 5 clases

Dataset propio y transformaciones
DataLoader, batch size y barajado
El bucle de entrenamiento escrito paso a paso
Bucle de validación y early stopping
Schedulers de tasa de aprendizaje

Módulo 5 · Diagnóstico y regularización 5 clases

Curvas de pérdida: qué dice cada forma
Sobreajuste, subajuste y capacidad del modelo
Dropout y decaimiento de pesos
Normalización de entradas y de lotes
Registro de experimentos e hiperparámetros

Módulo 6 · Evaluación honesta 4 clases

Particiones de entrenamiento, validación y prueba
Métricas de clasificación más allá de la exactitud
Fugas de información entre conjuntos
Semillas, determinismo y reproducibilidad

Módulo 7 · Proyecto de cierre 4 clases

Definición del problema y preparación del conjunto de datos
Entrenamiento con validación y ajuste de hiperparámetros
Guardado y carga del modelo entrenado
Informe de resultados con sus limitaciones

Requisitos

Programación en Python con soltura: funciones, clases, listas por comprensión y NumPy.
Fundamentos de machine learning: qué es entrenar, validar y qué mide una función de pérdida.
Cálculo básico: derivada, regla de la cadena y noción de gradiente.
Basta un navegador si se trabaja en un cuaderno en la nube; con GPU local, el curso indica la instalación.

Descripción

Copiar un script de entrenamiento de un repositorio funciona hasta que hay que cambiar algo: otra función de pérdida, otro formato de datos, otro criterio de parada. Sin entender qué ocurre dentro del bucle, cada modificación es prueba y error, y los resultados que se publican internamente acaban siendo mejores de lo que el modelo realmente hace.

Aquí se construye todo a mano y en orden. Primero los tensores y autograd, viendo cómo se acumulan los gradientes y por qué hay que ponerlos a cero. Después un perceptrón multicapa con nn.Module, el DataLoader que alimenta el entrenamiento, el optimizador y el bucle escrito línea a línea. Cada pieza se prueba por separado antes de juntarla.

La parte final se dedica a la evaluación honesta: separación correcta de conjuntos, métricas según el tipo de problema, curvas de pérdida bien leídas y reproducibilidad. Con esta base se aborda la detección de objetos, la inferencia en dispositivo y el paso de un modelo a producción, que son los cursos que continúan el itinerario.

¿Para quién es este curso?

Perfiles de desarrollo que ya usan librerías de alto nivel y necesitan bajar al bucle de entrenamiento.
Ingeniería que va a entrenar modelos propios sobre datos de sensores o de imagen de su instalación.
Personas que preparan el salto a detección de objetos o a inferencia en dispositivo y necesitan la base.