Hands-On Evolution of Deep Learning – Geoffrey Hinton’s AI Legacy

De qué trata

Curso práctico de unas 27 horas que recorre la evolución del deep learning a través de los artículos de Geoffrey Hinton, traduciéndolos a código PyTorch legible. Se organiza en capítulos con marcas de tiempo, uno por artículo.

Tras una introducción con objetivos y un recorrido por el repositorio de GitHub, avanza desde las máquinas de Boltzmann y la backpropagation hasta Deep Belief Networks, t-SNE, AlexNet, dropout, distillation, layer normalization y Capsule Networks. La descripción menciona también Forward-Forward.

• Implementación en PyTorch de artículos clave de Hinton
• Boltzmann Machines y backpropagation
• Deep Belief Networks, t-SNE y dropout
• Distillation, Capsule Networks y Forward-Forward

Para quién es este curso

• Programadores con conocimientos de Python que quieran entender los artículos clave de Hinton implementándolos en PyTorch.
• Estudiantes de aprendizaje automático que prefieran aprender la historia del deep learning a través del código y no solo de la teoría.
• Personas con curiosidad por el origen de técnicas actuales como dropout, distillation o layer normalization.

Qué sabrás hacer al terminar

• Implementar en PyTorch algoritmos descritos en artículos de Hinton, como Boltzmann Machines o backpropagation.
• Entender la evolución del deep learning desde las máquinas de Boltzmann hasta Capsule Networks.
• Relacionar técnicas como dropout, distillation, t-SNE o layer normalization con el artículo donde se propusieron.
• Seguir el repositorio de GitHub del curso para reproducir los experimentos.

Plan de estudio sugerido

8 semanas · unas 6 h por semana

1. 1.Semana 1: presentación, repositorio y máquina de Boltzmann (0:00–1:29:06); prepara el entorno y ejecuta el código.
2. 2.Semana 2: backpropagation y Distributed Representations (1:29:06–4:40:46).
3. 3.Semana 3: Mixtures of Experts, Helmholtz y Wake-Sleep (4:40:46–8:33:43).
4. 4.Semana 4: Stochastic Neighbour Embeddings y Deep Belief Networks (8:33:43–10:50:09).
5. 5.Semanas 5-6: reducción de dimensionalidad, t-SNE, Deep Boltzmann y ReLU (10:50:09–16:44:09).
6. 6.Semanas 7-8: AlexNet, dropout, distillation, layer normalization, capsules y contrastive learning (16:44:09–final).

El plan cuenta con tiempo para pausar y practicar, no solo con la duración del vídeo. Si quieres adaptarlo a tu semana, lee cómo montar tu plan de estudio semanal.

Consejos para seguirlo

• Clona el repositorio de GitHub que se presenta en 0:06:03 antes de empezar y ejecuta el código a la vez que el vídeo.
• Lee el resumen o abstract de cada artículo antes de ver su capítulo para seguir mejor la implementación.
• Si ya conoces backpropagation, pasa rápido por el bloque de 1:29:06 y dedica más tiempo a modelos menos habituales, como Helmholtz o Wake-Sleep.
• Haz una sesión por capítulo, usando las marcas de tiempo como puntos de parada.

Cómo lo presenta el autor

Master modern neural networks by recreating the groundbreaking discoveries of Geoffrey Hinton, the visionary whose research redefined computer science and deep learning. Covering his defining papers, this course directly bridges historical breakthroughs to readable PyTorch code. This hands on coding course will give you a unified look at how today's AI landscape was engineered through one…

Extracto de la descripción original en YouTube.

Preguntas frecuentes

Más cursos de Programación