Introducción al deep learning y acuerdo pedagógico

Deep Learning · Semana 1

19 de marzo de 2026 ≈ · NRC-198 · 0 entregables

De qué iba

La primera semana no tuvo actividad calificada, así que me dediqué a la open class y al quiz de puntos extra. La sesión duró casi dos horas y buena parte se fue en el acuerdo pedagógico: el profesor Valencia insistió en que todo trabajo que un detector marcara con más del 45 % de contenido de IA quedaba en 0.0, y avisó que la semana 6 sería la de ponerse al día. Después presenté el quiz.

  • Asistí a la open class de introducción, donde se revisó el acuerdo pedagógico, la política sobre uso de IA y el calendario de actividades del curso
  • Presenté el quiz de puntos extra 1 el 19 de marzo y lo resolví en once minutos
  • Las cinco preguntas iban sobre overfitting en un perceptrón simple con 98 % en entrenamiento y 50 % en prueba, LSTM para dependencias de largo plazo y dropout cuando la pérdida deja de mejorar

El examen de la semana

Los puntos extra eran cuestionarios opcionales que sumaban a la nota. Cuento de qué iban; las respuestas no las publico.

Punto extra · Semana 1

Perceptrón simple y multicapa: generalización y ajuste

Este cuestionario iba sobre los fundamentos del perceptrón simple y del perceptrón multicapa: por qué un modelo funciona bien en entrenamiento y mal en datos nuevos, y qué ajustes ayudan a que generalice mejor. Me evaluaron con casos prácticos en los que había que identificar la técnica adecuada para cada síntoma del modelo.

  • La brecha entre el desempeño en entrenamiento y en prueba como señal de sobreajuste o subajuste
  • Técnicas para mejorar el desempeño de un modelo sobre datos no vistos, como el aumento de datos
  • Qué aporta un perceptrón multicapa frente a un perceptrón simple en el modelado de relaciones no lineales
  • La normalización de los datos de entrada y su efecto sobre la estabilidad de las predicciones
  • El papel de la función de activación (por ejemplo ReLU) al ajustar un MLP de clasificación
  • La regularización, incluido el dropout, cuando la función de pérdida deja de mejorar
  • Arquitecturas adecuadas para dependencias de largo plazo en series temporales (RNN frente a LSTM)
cinco preguntas de opción múltiple con cuatro alternativas · 2 intentos · No publico ni el cuestionario resuelto ni la calificación: era una evaluación.

Seguir leyendo

Semana 2 →