Dieciocho estudiantes de las Ingenierías de Biomédica, Ciencia de Datos, Física, Mecatrónica y Sistemas Ciberfísicos y Mecánica y Eléctrica de la Universidad Iberoamericana (IBERO) Ciudad de México (CDMX) obtuvieron la certificación “Fundamentos de Aprendizaje Profundo” otorgada por el NVIDIA Deep Learning Institute (DLI), tras completar con éxito el taller impartido en la IBERO por el Dr. Andrés Molano Jiménez, Embajador Académico de NVIDIA DLI y Director del Departamento de Estudios en Ingeniería para la Innovación (DEII).

Esta certificación forma parte del Programa de Embajadores Universitarios de NVIDIA, una iniciativa internacional que busca acercar la formación de vanguardia en inteligencia artificial aplicada a instituciones académicas líderes.

Antes de dar inicio al workshop, el Dr. Andrés Molano Jiménez, ingeniero electrónico, magíster en Analítica de Datos para la Inteligencia de Negocios y doctor en Ingeniería Informática y de los Sistemas Dinámicos, explicó cómo funcionan las neuronas cerebrales para comprender la base biológica que inspira al aprendizaje profundo, y cómo estos principios permiten establecer paralelos entre la inteligencia humana y la inteligencia artificial (IA).

Durante el workshop, las y los participantes exploraron los fundamentos teóricos y prácticos del Deep Learning, comprendiendo cómo las redes neuronales artificiales aprenden a identificar patrones complejos en datos de imágenes y texto.

En la primera parte del workshop el Dr Molano comentó que  "Los algoritmos de machine learning  (aprendizaje automático) cuando se están entrenando y realizan inferencias hacen un proceso similar como cuando nosotros como seres humanos tenemos momentos de relajación, de comprensión y autoaprendizaje".

Contó sobre los inicios de las IA y cómo las computadoras se crearon para completar o desarrollar tareas humanas. Puso como ejemplo el personaje de "Robotina" –en la serie animada 'Los Supersónicos'—, una máquina inteligente que hacía las labores del hogar.

Indicó que algunas actividades que podemos hacer los seres humanos, todavía las máquinas no pueden llevarlas a cabo pues construir estos sistemas inteligentes se siguen trabajando.

El Dr. Molano Jiménez recordó que desde 1945 cuando ocurrió el primer Congreso Internacional de IA, ya se habían inventado las redes neuronales y los diferentes algoritmos de optimización, pero fue la explosión del poder del computo paralelo por medio de GPUs y varios algoritmos matematicos como la retro- propagación de los errores lo que hizo explosionar estas tecnologías.

"Las y los niños están expuestos a millones de datos, interactúan y aprenden. Lo que hacemos con las y los niños es exponerlos a datos, luego les entregamos respuestas correctas y encuentran el patrón que hay detrás que hace que las cosas funcionen. Es así como funciona el paradigma del machine learning", detalló.

Finalizada la introducción, se reforzaron conceptos de Python y Pandas para la manipulación estructurada de datos, revisando listas, diccionarios, bucles y DataFrames. Con estas herramientas, construyeron las bases para entrenar sus primeros modelos de inteligencia artificial.

Más adelante, aplicaron técnicas de aprendizaje supervisado y entrenaron su primer modelo de visión por computadora, aprendiendo los principios de las redes neuronales convolucionales (CNN) y el uso de data augmentation para mejorar la generalización de los modelos.

De modelos preentrenados a aplicaciones inteligentes

En la segunda parte del curso, el grupo experimentó con redes neuronales preentrenadas y aplicó transfer learning para desarrollar soluciones rápidas y eficientes con menos datos.

A través de ejercicios guiados, las y los estudiantes adaptaron una red existente para crear una “puerta inteligente para perros” —capaz de reconocer solo a una mascota específica— Estudiaron la arquitectura General de los Transformers y usaron el modelo BERT para predecir una palabra y responder una pregunta de manera automática

Proyecto final y certificación internacional

En la etapa final del taller, las y los participantes desarrollaron un modelo de clasificación de imágenes para distinguir entre frutas frescas y podridas, combinando técnicas de visión por computadora, extracción de características y aprendizaje por transferencia.

Tras completar el proyecto y aprobar la evaluación final, recibieron la certificación oficial de NVIDIA Deep Learning Institute, que valida su dominio en el uso de herramientas, arquitecturas y técnicas contemporáneas de aprendizaje profundo.

Texto y fotos: Luis Reyes

Notas relacionadas:

• Desarrolla IBERO educaIA, una plataforma de alfabetización en IA para investigación y docencia
• Lanzan Estrategia de IA de la IBERO Para Fortalecer Docencia, Investigación y Vinculación
• Experta IBERO, contra Posturas que Sugieren que la IA Acabará con la Humanidad
• Aprende a aplicar estrategias de IA para la Investigación en este taller de la IBERO