# **Resumen y Análisis de la Clase: Arquitecturas de Deep Learning**

**Instructor:** Ing. Juan Carlos Valencia

**Institución:** UNIMINUTO

**Tema Principal:** Deep Learning \- Enfoque Estratégico y Arquitecturas

La grabación corresponde a una sesión de clase virtual enfocada en las arquitecturas fundamentales del Deep Learning. A lo largo del video, el instructor combina la navegación por la plataforma educativa virtual con una presentación teórica altamente visual para explicar conceptos complejos de inteligencia artificial.

## **1\. Navegación en el Aula Virtual y Dinámica de Trabajo**

El video comienza mostrando la pantalla del navegador del profesor dentro de la plataforma LMS (Moodle/Canvas) en el curso "NRC-198-Deep Learning". El instructor se dirige específicamente al módulo de la "Semana 4", donde revisa las actividades asignadas.

Se hace especial énfasis en un **Foro de discusión** titulado *"Aplicaciones de redes neuronales"*. En la pantalla se pueden leer las instrucciones detalladas y la rúbrica de evaluación de dicha actividad, que requiere investigar sobre aplicaciones de redes neuronales en extracción, depuración y procesamiento de datos.

**Instrucciones en el Bloc de Notas:**

Para asegurar que los estudiantes comprendan la dinámica del foro colaborativo, el profesor abre un editor de texto simple y redacta en vivo un ejemplo de cómo deben presentar su participación grupal. En la pantalla se observa cómo teclea lo siguiente:

*Antes de dar la Respuesta al foro, recuerda*

*Nombrar a los participantes del grupo*

*Juan \--\> Participación Principal*

*Julian \--\> Secundario*

*Pedro \--\> Secundario*

Esto indica una metodología donde un estudiante lidera la respuesta principal mientras los demás complementan y debaten.

## **2\. Introducción Teórica a las Arquitecturas**

Tras revisar la plataforma, el profesor inicia una presentación de diapositivas. La primera diapositiva de contenido se titula **"¿Qué son las Arquitecturas de Deep Learning?"**. En ella se presentan visualmente tres diagramas esquemáticos que representan las principales estructuras de redes neuronales:

1. **Feedforward Network:** Un diagrama clásico de nodos interconectados vertical y horizontalmente.  
2. **Recurrent Network (RNN):** Un diagrama que muestra nodos con flechas que forman bucles, indicando la retroalimentación de información.  
3. **Convolutional Network (CNN):** Representada conceptualmente para el manejo de matrices y datos bidimensionales.

## **3\. Análisis Detallado de cada Arquitectura**

El instructor desglosa cada una de estas arquitecturas con diagramas muy ilustrativos:

### **Arquitectura Feedforward o Perceptrón Multicapa (MLP)**

La presentación muestra un diagrama aplicado a la **"PREDICCIÓN DE TEMPERATURA"** (Temperature Prediction).

* **Visuales:** Se observa una red neuronal simple (nodos amarillos y naranjas) dividida en tres secciones: INPUT (Entrada), HIDDEN (Oculta) y OUTPUT (Salida). La salida apunta a una ilustración gráfica de un termómetro.  
* **Concepto:** Se explica que esta red conecta todas las neuronas entre capas. Es ideal para datos estructurados (números, variables) y aprende relaciones globales, pero no es capaz de reconocer estructuras espaciales o temporales complejas.

### **Redes Convolucionales (CNN)**

Esta es la sección más extensa y gráfica de la clase, enfocada en el procesamiento de imágenes.

* **Concepto Biológico:** Se introduce como "visión artificial" inspirada en la corteza visual humana.  
* **Visuales Iniciales:** Se muestra una secuencia gráfica de la cara de una mujer. Pasa de la imagen original a un bosquejo de líneas (*Detect Edges*), luego a una versión pixelada/cuadriculada (*Pooling*), hasta llegar a la clasificación de que es una cara (*Face*).  
* **Analogía de Aprendizaje:** Una diapositiva posterior ilustra cómo las computadoras aprenden a reconocer imágenes mostrando un perro, un cubo de Rubik y diagramas de cómo se abstraen "Bordes", "Líneas" y "Patrones" para llegar a "Clasificar" el objeto.  
* **El Proceso Interno (El Gato):** Una diapositiva muy detallada titulada **"Proceso interno de una CNN"** muestra la cabeza de un gato caricaturizado (INPUT). Esta imagen pasa por una matriz verde tridimensional (CONVOLUTION con un filtro), luego a una cuadrícula simplificada (POOLING), la cual se aplana en una sola columna vertical de nodos (FLATTENING). Esta columna se conecta a una Red Densa (DENSE LAYER) tradicional que finalmente genera un resultado (OUTPUT).  
* **Cómo "ve" una CNN (La Manzana):** Para reforzar el concepto, se muestra una manzana roja. Se divide en cómo la red procesa sus diferentes atributos: la imagen ORIGINAL, la TEXTURA (punteado), la DETECCIÓN DE BORDES (silueta en blanco y negro) y finalmente las MATRICES (una cuadrícula binaria de píxeles).

### **Redes Recurrentes (RNN) y Transformadores**

Se aborda el concepto de comprensión secuencial.

* **Visuales:** Se utiliza una analogía musical. Se ven notas musicales pasando a través de bloques amarillos (RNN) que representan el procesamiento paso a paso, recordando información anterior. Al lado, se muestra el modelo TRANSFORMER, con bloques verdes apilados bajo una caja roja que dice "ATTENTION" (Atención), ilustrando cómo procesan la secuencia en paralelo.  
* **Concepto:** Se indica que las RNN procesan secuencias (texto, voz, tiempo) y recuerdan información con memoria temporal, mientras que los Transformers utilizan mecanismos de atención en paralelo.

## **4\. Implementación y Resumen de Capas**

Hacia el final de la sesión teórica, el profesor muestra un documento web/PDF sobre la implementación práctica con **Keras y TensorFlow**. En este documento se aprecian conceptos clave como la estructura de una red (Capa de Entrada, Capas Ocultas, Capa de Salida) y se hace una mención gráfica a la función de activación matemática **ReLU** f(x) \= max(0, x).

Finalmente, se presenta una tabla resumen muy clara titulada **"Arquitectura típica de una CNN"**, que sintetiza las capas técnicas vistas:

| Capa (Layer) | Tipo | Propósito |

| :--- | :--- | :--- |

| **Conv2D** | Extracción de características | Detectar bordes, formas |

| **MaxPooling** | Reducción espacial | Mantener lo importante |

| **Flatten** | Transformar a vector | Preparar para clasificación |

| **Dense** | Clasificación final | Softmax para etiquetas |

## **Conclusión**

El video finaliza con una tarjeta de presentación del Ingeniero Juan Carlos Valencia ("Creative Developer, Ingeniero, Investigador"), marcando el cierre de una clase magistral fuertemente apoyada en esquemas visuales, infografías y analogías prácticas para explicar el funcionamiento interno de las redes neuronales en el campo del Deep Learning.