Facultad de Ciencias Químicas y Farmacéuticas · Unidad de Inteligencia Artificial
Volver al catálogo
Postulaciones abiertas15 / 15 cupos disponibles

Fundamentos de Redes Neuronales — Versión 1.0

Curso teórico-práctico sobre fundamentos de redes neuronales y aprendizaje profundo: del perceptrón multicapa a los Transformers e IA generativa, con tres laboratorios aplicados.

Objetivos

  • Comprender los principios del conexionismo y el funcionamiento matemático de la neurona artificial.
  • Diseñar e implementar perceptrones multicapa (MLP) para problemas de clasificación y regresión, ajustando sus hiperparámetros.
  • Aplicar aprendizaje no supervisado con mapas auto-organizados de Kohonen (SOM) para agrupamiento de datos.
  • Comprender el mecanismo de autoatención y la arquitectura Transformer detrás de la IA generativa (GPTs), incluidas sus limitaciones como alucinaciones y sesgo.
  • Entrenar, evaluar y desplegar modelos en tres laboratorios prácticos: MLP, Kohonen SOM y Transformers.

Sobre el curso

Primera versión del curso "Fundamentos de Redes Neuronales", impartido por la Unidad de IA. Su propósito es desarrollar la comprensión teórica, el diseño arquitectónico y la implementación práctica de modelos de aprendizaje profundo (Deep Learning): desde neuronas individuales hasta arquitecturas de vanguardia basadas en Transformers. Al finalizar, cada participante será capaz de resolver problemas de predicción (aprendizaje supervisado), agrupación de datos (aprendizaje no supervisado) y generación de contenido (IA generativa) con herramientas estándar de la industria. El curso se realizará entre el lunes 27 y el miércoles 29 de julio de 2026, en tres sesiones de 2,5 horas (15:00 a 17:30 h), en la Sala 12 de CIQ.

Resultados de aprendizaje

  • Pensamiento crítico en IA: saber qué tipo de modelo elegir según la naturaleza del problema y los datos disponibles.
  • Competencia técnica práctica: entrenar, ajustar hiperparámetros y desplegar modelos de IA a través de tres laboratorios.
  • Comprensión del mañana: dejar de ver herramientas como ChatGPT o Claude como "cajas negras mágicas" y entender la ingeniería matemática y de autoatención que ocurre detrás de escena.

Estructura por unidades

  • Unidad 1 — Conexionismo y el Perceptrón Multicapa (2,5 horas): concepto de conexionismo, tipos de aprendizaje, la neurona matemática y el perceptrón multicapa (MLP). Laboratorio de IA: trabajando con un MLP.
  • Unidad 2 — Memoria Asociativa (2,5 horas): aprendizaje no supervisado, mapas auto-organizados de Kohonen y algoritmo de aprendizaje competitivo. Laboratorio de IA: trabajando con un Kohonen SOM.
  • Unidad 3 — Procesamiento de Lenguaje Natural (2,5 horas): word embeddings, mecanismo de autoatención, Transformers e IA generativa (GPTs). Laboratorio de IA: trabajando con Transformers (análisis de sentimientos).

Bibliografía y referencias

  1. Jaeger, S., Fulle, S. y Turk, S. (2017). Mol2vec: Unsupervised Machine Learning Approach with Chemical Intuition. Journal of Chemical Information and Modeling, 58(1). doi.org/10.1021/acs.jcim.7b00616
  2. Reyes, J. y Cárdenas, V. (2010). A Chilean seismic regionalization through a Kohonen neural network. Neural Computing and Applications, 19, 1081–1087. doi.org/10.1007/s00521-010-0373-9
  3. Reyes, J., Morales-Esteban, A. y Martínez-Álvarez, F. (2013). Neural networks to predict earthquakes in Chile. Applied Soft Computing, 13(2), 1314–1328. doi.org/10.1016/j.asoc.2012.10.014
  4. Video: "Cómo implementar una Red Neuronal en Excel" (YouTube).

Cómo postular

Las postulaciones a esta primera versión del curso están abiertas y se asignan por orden de llegada (15 cupos). Para postular, completa el formulario de inscripción (Google Forms).

Postular al curso