¿Hace falta saber deep learning antes?

Es recomendable tener base de machine learning, Python y matemáticas aplicadas. El curso repasa fundamentos, pero es avanzado y orientado a práctica profesional.

Sí. Se trabaja CPU/GPU, CUDA si está disponible, memoria, mixed precision, profiling, rendimiento y entrenamiento eficiente.

¿Incluye transformers?

Sí. Incluye fundamentos de transformers, modelos preentrenados, fine-tuning, embeddings, NLP y criterios de coste/rendimiento.

¿Incluye visión artificial?

Sí. Se trabaja carga de imágenes, transforms, CNNs, transfer learning, modelos preentrenados, evaluación y análisis de errores.

Sí. Incluye tracking, versionado, pipelines, Docker, model registry, serving, monitorización, CI/CD, documentación y gobierno.

¿Incluye `torch.compile`?

Sí. Se trabaja `torch.compile` para optimización, medición de rendimiento, graph breaks, validación y uso controlado en proyectos reales.

¿Incluye `torch.export`?

Sí. Se aborda `torch.export` para capturar modelos de forma AOT, validar equivalencia y preparar exportación o despliegue.

Sí. Incluye exportación a ONNX, validación con runtime compatible, dynamic shapes, equivalencia y portabilidad.

¿Incluye cuantización?

Sí. Se trabaja cuantización, TorchAO, reducción de memoria, latencia, degradación de precisión y evaluación antes de despliegue.

¿Incluye entrenamiento distribuido?

Sí. Se cubren DDP, FSDP, multi-GPU, checkpoints distribuidos, memoria, comunicación y diseño de scripts escalables.

¿Se usa PyTorch Lightning?

Puede mencionarse como alternativa, pero el curso prioriza PyTorch nativo para que el alumno entienda y controle el entrenamiento.

¿Se puede adaptar a un sector concreto?

Sí. Puede orientarse a industria, salud, finanzas, retail, energía, deporte, legal, marketing, visión, NLP, series temporales o IA generativa.

¿Qué entregables deja el curso?

Proyecto PyTorch completo, training loop, métricas, checkpoints, tracking, exportación, API de inferencia, Docker, model card y roadmap.

¿Esta formación puede bonificarse por FUNDAE?

Sí, puede plantearse como formación bonificable hasta el 100% por FUNDAE para empresas, siempre que se cumplan los requisitos administrativos, comunicación, asistencia y documentación.

Curso de Pytorch

Aprende con el curso de Pytorch para empresas hasta 100% bonificado, a medida para tu organización.

Totalmente práctico y aplicable

Formación en Pytorch a medida

100% bonificable a través de FUNDAE

Curso TUTORIZADO por expertos

Solicitar precio

Me interesa

Calcula mis créditos de FUNDAE

Solicitar precio

Calcula mis créditos de FUNDAE

Programa formativo

Temario del curso

Encuentra todo el temario del curso aquí.

Temario

Explicar qué es PyTorch y por qué se ha convertido en una herramienta central para deep learning aplicado.
Diferenciar PyTorch de NumPy, scikit-learn, TensorFlow, Keras, JAX, frameworks AutoML y servicios cloud gestionados.
Revisar cuándo usar PyTorch: investigación, prototipos, visión, NLP, transformers, modelos personalizados y producción flexible.
Aclarar cuándo no conviene usar PyTorch si basta con modelos clásicos, reglas, SQL, BI o librerías de alto nivel.
Presentar el ecosistema: `torch`, `torch.nn`, `torch.optim`, `torchvision`, `torchtext`, TorchAO, ExecuTorch y exportación.
Preparar entorno con Python, PyTorch, CUDA si aplica, notebooks, scripts, Git, datasets y estructura profesional.
Ejecutar primeras operaciones con tensores, GPU, autograd y un modelo mínimo.
Identificar errores iniciales: mezclar tensores CPU/GPU, olvidar `model.train()`, no controlar shapes o perder reproducibilidad.
Definir entregables del curso: proyecto PyTorch completo, entrenamiento, evaluación, exportación, API y checklist de producción.
Crear diagnóstico inicial del nivel de IA, Python, datos, GPU y MLOps del equipo.

Explicar qué es PyTorch y por qué se ha convertido en una herramienta central para deep learning aplicado.
Diferenciar PyTorch de NumPy, scikit-learn, TensorFlow, Keras, JAX, frameworks AutoML y servicios cloud gestionados.
Revisar cuándo usar PyTorch: investigación, prototipos, visión, NLP, transformers, modelos personalizados y producción flexible.
Aclarar cuándo no conviene usar PyTorch si basta con modelos clásicos, reglas, SQL, BI o librerías de alto nivel.
Presentar el ecosistema: `torch`, `torch.nn`, `torch.optim`, `torchvision`, `torchtext`, TorchAO, ExecuTorch y exportación.
Preparar entorno con Python, PyTorch, CUDA si aplica, notebooks, scripts, Git, datasets y estructura profesional.
Ejecutar primeras operaciones con tensores, GPU, autograd y un modelo mínimo.
Identificar errores iniciales: mezclar tensores CPU/GPU, olvidar `model.train()`, no controlar shapes o perder reproducibilidad.
Definir entregables del curso: proyecto PyTorch completo, entrenamiento, evaluación, exportación, API y checklist de producción.
Crear diagnóstico inicial del nivel de IA, Python, datos, GPU y MLOps del equipo.

¿Tienes dudas?

Estamos aquí para ayudarte

Reservar plaza

Tema 1: Presentación, dudas principales y primeros pasos con PyTorch

Explicar qué es PyTorch y por qué se ha convertido en una herramienta central para deep learning aplicado.
Diferenciar PyTorch de NumPy, scikit-learn, TensorFlow, Keras, JAX, frameworks AutoML y servicios cloud gestionados.
Revisar cuándo usar PyTorch: investigación, prototipos, visión, NLP, transformers, modelos personalizados y producción flexible.
Aclarar cuándo no conviene usar PyTorch si basta con modelos clásicos, reglas, SQL, BI o librerías de alto nivel.
Presentar el ecosistema: `torch`, `torch.nn`, `torch.optim`, `torchvision`, `torchtext`, TorchAO, ExecuTorch y exportación.
Preparar entorno con Python, PyTorch, CUDA si aplica, notebooks, scripts, Git, datasets y estructura profesional.
Ejecutar primeras operaciones con tensores, GPU, autograd y un modelo mínimo.
Identificar errores iniciales: mezclar tensores CPU/GPU, olvidar `model.train()`, no controlar shapes o perder reproducibilidad.
Definir entregables del curso: proyecto PyTorch completo, entrenamiento, evaluación, exportación, API y checklist de producción.
Crear diagnóstico inicial del nivel de IA, Python, datos, GPU y MLOps del equipo.

Tema 2: Fundamentos matemáticos imprescindibles para deep learning

Revisar vectores, matrices, tensores, dimensiones, broadcasting, productos, normas y operaciones básicas.
Entender gradientes, derivadas parciales, regla de la cadena y descenso por gradiente desde una perspectiva aplicada.
Relacionar funciones de pérdida con el aprendizaje del modelo.
Interpretar activaciones, pesos, sesgos, logits, probabilidades y umbrales.
Entender regularización, penalización, normalización y estabilidad numérica.
Diferenciar clasificación, regresión, ranking, embeddings, generación y representación latente.
Revisar métricas como accuracy, precision, recall, F1, AUC, MAE, RMSE, perplexity o IoU según problema.
Evitar entrenar redes neuronales sin comprender qué optimiza realmente el modelo.
Traducir conceptos matemáticos a operaciones PyTorch.
Taller: implementar una regresión simple con tensores y gradientes manuales.

Tema 3: Tensores en PyTorch

Crear tensores desde listas, NumPy, valores aleatorios, ceros, unos y distribuciones.
Entender shape, dtype, device, stride, layout y memoria.
Manipular tensores con reshape, view, permute, transpose, squeeze, unsqueeze, stack y cat.
Aplicar indexing, slicing, masking, gather y operaciones vectorizadas.
Evitar bucles Python innecesarios cuando puede usarse álgebra tensorial.
Controlar conversiones entre CPU, GPU, NumPy y tensores.
Usar operaciones inplace con prudencia para no romper autograd.
Detectar errores de broadcasting y dimensiones incompatibles.
Medir impacto de dtype y device en rendimiento y memoria.
Taller: resolver transformaciones tensoriales típicas de datos reales.

Tema 4: Dispositivos, GPU y gestión de memoria

Entender diferencias entre CPU, CUDA, MPS y otros backends disponibles.
Mover modelos y tensores correctamente entre dispositivos.
Detectar errores clásicos por mezclar tensores en CPU y GPU.
Monitorizar memoria GPU, asignación, liberación y picos de uso.
Reducir consumo con batch size, mixed precision, gradient accumulation y liberación de referencias.
Evitar copiar tensores innecesariamente entre CPU y GPU.
Diseñar código agnóstico al dispositivo.
Controlar seeds y reproducibilidad en GPU cuando sea viable.
Revisar límites prácticos de memoria según arquitectura y datos.
Taller: optimizar un entrenamiento que agota memoria GPU.

Tema 5: Autograd y diferenciación automática

Entender cómo PyTorch construye grafos dinámicos de computación.
Usar `requires_grad`, `backward`, `grad`, `detach` y contextos `no_grad`.
Revisar gradientes acumulados y necesidad de `zero_grad`.
Detectar operaciones que rompen el grafo o eliminan gradientes.
Diferenciar entrenamiento, inferencia y cálculo de gradientes personalizados.
Inspeccionar gradientes para diagnosticar exploding, vanishing o gradientes nulos.
Usar `detach` correctamente en métricas, logging y estados intermedios.
Evitar operaciones inplace peligrosas sobre tensores usados por autograd.
Crear funciones simples y validar gradientes.
Taller: depurar un modelo que no aprende por fallo en el grafo de autograd.

Tema 6: `torch.nn` y construcción de modelos

Crear modelos heredando de `nn.Module`.
Definir capas, submódulos, forward, parámetros y buffers.
Usar capas lineales, convolucionales, normalización, dropout, embeddings y activaciones.
Separar arquitectura del entrenamiento, datos y configuración.
Crear bloques reutilizables y módulos compuestos.
Revisar `state_dict`, carga y guardado de pesos.
Evitar lógica de entrenamiento dentro de `forward`.
Controlar inicialización de pesos.
Diseñar modelos que aceptan batches y shapes variables cuando procede.
Taller: construir MLP, CNN y bloque residual básico con `torch.nn`.

Tema 7: Funciones de pérdida y objetivos de entrenamiento

Seleccionar pérdidas para regresión, clasificación binaria, multiclase, multilabel, ranking o segmentación.
Entender diferencias entre logits, probabilidades y funciones con softmax o sigmoid integradas.
Aplicar pesos de clase, reducción, máscaras y pérdidas personalizadas.
Evitar combinar incorrectamente activaciones y pérdidas.
Diseñar objetivos compuestos para modelos multitarea.
Gestionar desequilibrio de clases con pérdidas, sampling o métricas adecuadas.
Revisar estabilidad numérica en pérdidas propias.
Interpretar la pérdida frente a métricas de negocio.
Validar la pérdida con casos sintéticos.
Taller: corregir un entrenamiento con pérdida mal configurada.

Tema 8: Optimizadores y scheduler de learning rate

Usar SGD, Adam, AdamW y optimizadores habituales.
Entender learning rate, momentum, weight decay, betas y regularización.
Diferenciar weight decay clásico y desacoplado.
Aplicar schedulers por época, por step, warmup, cosine decay y reduce on plateau.
Evitar entrenamientos inestables por learning rate inadecuado.
Crear grupos de parámetros con configuraciones distintas.
Gestionar optimizadores en fine-tuning.
Registrar learning rate durante entrenamiento.
Comparar convergencia entre optimizadores.
Taller: mejorar un entrenamiento ajustando optimizer y scheduler.

Tema 9: Datasets, Dataloaders y pipelines de datos

Crear datasets personalizados con `Dataset` e iterables cuando aplica.
Usar `DataLoader` con batching, shuffle, num_workers, pin_memory y collate_fn.
Preparar transformaciones de datos para train, validation y test.
Evitar fugas de datos entre entrenamiento y validación.
Gestionar datasets grandes, carga bajo demanda y caching.
Crear collate functions para secuencias variables, imágenes o estructuras complejas.
Controlar reproducibilidad en loaders con workers.
Medir cuello de botella de I/O frente a cómputo GPU.
Diseñar estructura de carpetas y metadatos.
Taller: construir dataset personalizado con loader eficiente y validación de shapes.

Tema 10: Bucles de entrenamiento profesionales

Implementar ciclo train/validation/test con claridad y separación de responsabilidades.
Usar `model.train()` y `model.eval()` correctamente.
Controlar forward, loss, backward, optimizer step y scheduler step.
Gestionar métricas, logging, tqdm, acumulación y checkpoints.
Evitar calcular gradientes durante validación.
Guardar el mejor modelo según métrica relevante.
Reanudar entrenamiento desde checkpoint.
Gestionar interrupciones, errores y estado del optimizador.
Crear configuración externa para hiperparámetros.
Taller: construir training loop profesional reutilizable.

Tema 11: Evaluación, métricas y validación rigurosa

Diseñar splits de train, validation y test adecuados al problema.
Usar cross-validation cuando el caso lo justifica.
Seleccionar métricas alineadas con coste de error y objetivo de negocio.
Analizar matriz de confusión, curvas ROC/PR, calibración y errores por segmento.
Evitar reportar solo accuracy en datasets desbalanceados.
Separar evaluación offline, validación técnica y validación de negocio.
Crear informes de evaluación reproducibles.
Analizar ejemplos mal clasificados.
Medir estabilidad entre seeds o particiones.
Taller: evaluar modelo de clasificación con métricas completas y análisis de errores.

Tema 12: Reproducibilidad, seeds y control experimental

Fijar seeds en Python, NumPy, PyTorch y dataloaders.
Documentar versiones, hardware, dataset, parámetros y configuración.
Entender límites de reproducibilidad con GPU y operaciones no deterministas.
Versionar datasets, código, checkpoints y resultados.
Guardar configuración de cada experimento.
Evitar experimentos imposibles de repetir por cambios manuales.
Crear nombres y carpetas de experimento consistentes.
Registrar artefactos relevantes.
Comparar resultados con control de variabilidad.
Taller: reproducir un experimento desde cero con la misma métrica final.

Tema 13: Logging, experiment tracking y gestión de artefactos

Registrar pérdidas, métricas, learning rate, gradientes, hiperparámetros y tiempos.
Usar TensorBoard, MLflow, Weights & Biases o herramientas corporativas equivalentes.
Guardar checkpoints, modelos, gráficas, predicciones y evaluaciones.
Evitar depender de capturas sueltas de notebooks.
Comparar experimentos por configuración, dataset y métrica.
Registrar ejemplos cualitativos en visión o NLP.
Controlar privacidad de datos en logs y artefactos.
Crear reportes para equipo técnico y negocio.
Definir convención de experimentos.
Taller: instrumentar un proyecto PyTorch con tracking completo.

Tema 14: Visión artificial con PyTorch

Cargar imágenes, etiquetas, transformaciones y aumentos de datos.
Crear CNNs y usar modelos preentrenados con `torchvision`.
Aplicar transfer learning y fine-tuning.
Gestionar clasificación, multilabel, detección o segmentación según alcance.
Evaluar errores por clase, iluminación, resolución, sesgos y calidad de imagen.
Evitar augmentations que rompen semántica del problema.
Optimizar dataloading para imágenes.
Visualizar predicciones, mapas de error y ejemplos difíciles.
Preparar inferencia por lotes.
Taller: entrenar clasificador de imágenes con fine-tuning y evaluación completa.

Tema 15: NLP con PyTorch

Preparar texto, tokenización, vocabulario, padding, máscaras y batches.
Diferenciar enfoques clásicos, embeddings, RNNs, CNNs, transformers y modelos preentrenados.
Crear datasets para clasificación de texto, análisis de sentimiento, intención o etiquetas.
Gestionar secuencias variables y collate functions.
Usar embeddings y pooling para tareas de clasificación.
Evitar fugas por duplicados o textos casi idénticos entre splits.
Evaluar errores por longitud, idioma, tema o clase.
Integrar modelos de Hugging Face cuando procede.
Controlar coste de entrenamiento y memoria en NLP.
Taller: entrenar clasificador de texto con PyTorch y embeddings.

Tema 16: Transformers y modelos preentrenados

Entender atención, self-attention, embeddings posicionales, encoder, decoder y transformer blocks.
Usar modelos preentrenados para clasificación, embeddings, generación o extracción.
Preparar fine-tuning con control de learning rate, freezing, capas y batch size.
Gestionar tokenización, truncamiento, padding y máscaras.
Evitar fine-tuning caro cuando embeddings o prompting resuelven el caso.
Evaluar overfitting y catastrophic forgetting.
Aplicar técnicas de eficiencia cuando procede.
Controlar privacidad y licencias de modelos preentrenados.
Medir latencia y coste de inferencia.
Taller: fine-tuning de transformer para clasificación corporativa.

Tema 17: Embeddings y búsqueda semántica

Generar embeddings de texto, imagen o datos estructurados.
Evaluar similitud, clustering, recuperación y ranking.
Crear datasets de pares positivos y negativos cuando se entrena o ajusta un modelo.
Diseñar evaluación de retrieval con métricas como recall@k, MRR o nDCG.
Evitar confiar en embeddings sin validar semántica del dominio.
Normalizar vectores y seleccionar distancia adecuada.
Integrar embeddings con bases vectoriales o índices ANN.
Controlar actualización, versionado y drift de embeddings.
Aplicar embeddings a clasificación, recomendación, deduplicación o RAG.
Taller: construir sistema de búsqueda semántica con embeddings generados en PyTorch.

Tema 18: Modelos tabulares y series temporales

Preparar variables numéricas, categóricas, embeddings categóricos y escalado.
Diseñar MLPs para datos tabulares y compararlos con modelos clásicos.
Crear pipelines temporales con ventanas, lags, targets y features dinámicas.
Evitar fugas temporales en entrenamiento y validación.
Usar modelos recurrentes, convoluciones temporales o transformers ligeros cuando procede.
Evaluar predicción temporal con backtesting.
Gestionar datos faltantes, outliers y drift.
Comparar PyTorch con XGBoost, LightGBM o scikit-learn según caso.
Interpretar errores por segmento, periodo o categoría.
Taller: construir modelo tabular o temporal con validación correcta.

Tema 19: Autoencoders, anomalías y representación latente

Crear autoencoders densos, convolucionales o variacionales básicos.
Usar reconstrucción para detección de anomalías.
Interpretar espacio latente y errores de reconstrucción.
Definir umbrales con validación y coste de falsos positivos.
Evitar usar anomalías sin feedback experto.
Aplicar reducción de dimensión para análisis exploratorio.
Gestionar datos desbalanceados y patrones raros.
Comparar autoencoders con métodos clásicos de anomalía.
Monitorizar drift en distribución de errores.
Taller: detectar anomalías en datos industriales o transaccionales simulados.

Tema 20: Modelos generativos con PyTorch

Entender conceptos de VAEs, GANs, diffusion models y modelos generativos autoregresivos.
Identificar casos de uso realistas: síntesis, augmentación, simulación, generación de contenido o prototipos.
Revisar riesgos de calidad, sesgo, privacidad y memorization.
Entrenar modelos generativos pequeños para comprender dinámica.
Evaluar resultados cualitativos y cuantitativos con prudencia.
Evitar prometer generación de alta calidad sin datos, cómputo y validación suficientes.
Controlar estabilidad de entrenamiento.
Usar modelos preentrenados cuando entrenar desde cero no es razonable.
Documentar procedencia de datos y licencias.
Taller: entrenar generador sencillo y analizar limitaciones.

Tema 21: Transfer learning y fine-tuning eficiente

Seleccionar modelo base según dominio, tamaño, licencia, rendimiento y coste.
Congelar capas, descongelar progresivamente y ajustar learning rates.
Preparar datasets pequeños con augmentación o estrategias de regularización.
Evitar fine-tuning con datos insuficientes o mal etiquetados.
Medir mejora frente a baseline simple.
Gestionar imbalance, overfitting y validación.
Aplicar técnicas de adaptación ligera cuando el ecosistema lo permite.
Documentar modelo base, cambios y datos usados.
Controlar riesgo de sesgos heredados del modelo base.
Taller: realizar fine-tuning de modelo preentrenado y comparar estrategias.

Tema 22: Mixed precision y entrenamiento eficiente

Usar automatic mixed precision para acelerar entrenamiento y reducir memoria.
Entender fp32, fp16, bf16 y riesgos de underflow u overflow.
Aplicar autocast y gradient scaling cuando corresponde.
Medir diferencias de velocidad, memoria y métrica.
Evitar mixed precision en operaciones inestables sin comprobación.
Combinar mixed precision con gradient accumulation.
Controlar reproducibilidad y pequeñas diferencias numéricas.
Integrar mixed precision en training loops reutilizables.
Revisar compatibilidad de hardware.
Taller: optimizar entrenamiento con mixed precision y comparar resultados.

Tema 23: Profiling y optimización de rendimiento

Usar PyTorch Profiler para analizar CPU, GPU, dataloading, memoria y operaciones.
Detectar cuellos de botella por I/O, transforms, batch size, sincronizaciones o kernels.
Reducir overhead de Python y operaciones pequeñas repetitivas.
Optimizar dataloaders, pin_memory, num_workers y prefetching.
Medir uso de GPU y throughput.
Evitar optimizar sin medición previa.
Crear benchmarks reproducibles.
Comparar cambios de arquitectura, batch y dtype.
Documentar mejoras y costes.
Taller: perfilar un entrenamiento lento y aplicar mejoras justificadas.

Tema 24: `torch.compile` y optimización de modelos

Entender qué aporta `torch.compile` en PyTorch moderno.
Aplicar compilación a funciones o módulos con cambios mínimos.
Medir speedup, overhead inicial y comportamiento por backend.
Identificar graph breaks y patrones que dificultan compilación.
Evitar compilar sin benchmark ni validación de outputs.
Probar entrenamiento e inferencia compilada.
Analizar compatibilidad con modelos dinámicos o control flow.
Integrar `torch.compile` de forma opcional y configurable.
Documentar cuándo se activa y cómo se desactiva.
Taller: optimizar un modelo con `torch.compile` y analizar graph breaks.

Tema 25: `torch.export` y modelos exportables

Entender `torch.export` como captura AOT de modelos PyTorch.
Diferenciar exportación, serialización de pesos, tracing, scripting y despliegue.
Preparar modelos compatibles con exportación.
Gestionar dynamic shapes cuando el caso lo requiere.
Evitar control flow Python no exportable sin rediseño.
Validar equivalencia entre modelo original y programa exportado.
Documentar constraints y supuestos de entrada.
Relacionar `torch.export` con ONNX, ExecuTorch y pipelines de despliegue.
Crear tests de regresión para modelos exportados.
Taller: exportar modelo PyTorch y validar ejecución con entradas controladas.

Tema 26: ONNX y portabilidad de modelos

Exportar modelos PyTorch a ONNX usando flujos actuales.
Entender qué representa ONNX y qué problemas resuelve en interoperabilidad.
Validar modelo exportado con runtime compatible.
Gestionar ops no soportadas, dynamic axes, control flow y diferencias numéricas.
Evitar asumir que exportar implica desplegar sin pruebas.
Comparar predicciones PyTorch frente a ONNX.
Documentar input/output schema.
Optimizar modelo exportado cuando procede.
Integrar ONNX en pipelines de serving o edge.
Taller: exportar modelo a ONNX y crear prueba de equivalencia.

Tema 27: TorchAO, cuantización y eficiencia

Entender cuantización, sparsity, weight-only quantization y post-training quantization.
Revisar cuándo cuantizar para reducir memoria, acelerar inferencia o desplegar en hardware limitado.
Diferenciar cuantización para inferencia y entrenamiento.
Evaluar impacto en precisión, latencia y tamaño de modelo.
Evitar cuantizar sin dataset de calibración o evaluación representativa.
Usar herramientas del ecosistema TorchAO cuando encajan en el caso.
Comparar fp32, mixed precision y modelos cuantizados.
Documentar estrategia de cuantización y límites.
Preparar fallback si la degradación de calidad es inaceptable.
Taller: aplicar cuantización a modelo de inferencia y medir impacto.

Tema 28: Entrenamiento distribuido con DDP

Entender diferencias entre data parallel, DDP, FSDP y entrenamiento en una sola GPU.
Preparar código para DistributedDataParallel.
Configurar procesos, ranks, world size, backend y comunicación.
Usar distributed sampler en dataloaders.
Evitar errores por métricas duplicadas, seeds mal gestionadas o checkpoints por proceso.
Registrar logs solo desde proceso principal cuando procede.
Medir escalado, eficiencia y comunicación.
Gestionar fallos y relanzamiento de jobs.
Preparar scripts para multi-GPU y multi-node.
Taller: adaptar entrenamiento single-GPU a DDP.

Tema 29: FSDP y entrenamiento de modelos grandes

Entender Fully Sharded Data Parallel y su diferencia frente a DDP.
Identificar cuándo FSDP ayuda por memoria y sharding de parámetros.
Configurar wrapping, mixed precision, checkpointing y estrategias de sharding.
Gestionar optimizador y estados distribuidos.
Evitar usar FSDP sin entender coste de comunicación y complejidad operativa.
Monitorizar memoria, throughput y estabilidad.
Diseñar checkpoints para entrenamiento y recuperación.
Combinar FSDP con activation checkpointing si procede.
Documentar configuración distribuida.
Taller: diseñar estrategia FSDP para modelo grande con memoria limitada.

Tema 30: Checkpointing, recuperación y modelos entrenados

Guardar `state_dict` de modelo, optimizador, scheduler, scaler y configuración.
Diferenciar checkpoint de entrenamiento, modelo final y artefacto de inferencia.
Reanudar entrenamiento desde punto intermedio.
Guardar best model por métrica y last checkpoint por recuperación.
Evitar guardar objetos Python completos difíciles de portar.
Gestionar checkpoints grandes y almacenamiento.
Versionar modelos con metadatos.
Validar carga en CPU y GPU.
Preparar migración entre versiones de código.
Taller: implementar checkpoint robusto y recuperación tras interrupción.

Tema 31: Interpretabilidad y explicabilidad

Aplicar técnicas de importancia de variables, saliency, Grad-CAM, perturbación o análisis de embeddings.
Diferenciar explicación técnica, explicación de negocio y explicación regulatoria.
Evitar usar explicaciones visuales como prueba absoluta.
Analizar errores por subgrupos, ejemplos y casos límite.
Crear informes de explicación para stakeholders.
Relacionar interpretabilidad con confianza, auditoría y mejora de datos.
Evaluar limitaciones de explicaciones en modelos profundos.
Usar explicabilidad para detectar sesgos o shortcuts.
Documentar método y límites.
Taller: generar explicación de predicciones en visión o tabular.

Tema 32: Sesgos, fairness y evaluación por subgrupos

Identificar sesgos en datos, etiquetas, muestreo, proxies y feedback histórico.
Evaluar métricas por subgrupo, segmento, idioma, clase, dispositivo o región.
Detectar degradación de rendimiento en colectivos o casos minoritarios.
Evitar modelos que optimizan media global y fallan en segmentos críticos.
Diseñar mitigaciones: recolección de datos, weighting, sampling, thresholds o revisión humana.
Documentar limitaciones del dataset.
Crear model cards o fichas de modelo.
Coordinar evaluación con negocio, legal y compliance.
Medir impacto después del despliegue.
Taller: auditar fairness en un modelo de clasificación.

Tema 33: Seguridad, privacidad y datos sensibles

Minimizar datos personales en entrenamiento, logs, checkpoints y artefactos.
Controlar acceso a datasets, modelos, embeddings, predicciones y métricas.
Evitar memorization de datos sensibles en modelos.
Diseñar anonimización, seudonimización o datos sintéticos cuando procede.
Revisar riesgos de model inversion, membership inference y extracción.
Proteger credenciales, rutas, buckets y endpoints de inferencia.
Documentar finalidad, base de uso y retención de datos.
Integrar revisiones de seguridad en MLOps.
Preparar respuesta ante exposición de modelo o datos.
Taller: crear checklist de privacidad y seguridad para proyecto PyTorch.

Tema 34: Estructura profesional de proyectos PyTorch

Organizar código en módulos de datos, modelos, entrenamiento, evaluación, configuración e inferencia.
Separar notebooks exploratorios de código productivo.
Usar archivos de configuración para hiperparámetros y rutas.
Crear CLI para entrenar, evaluar, exportar e inferir.
Evitar scripts monolíticos difíciles de mantener.
Añadir tests unitarios para funciones críticas.
Documentar estructura, comandos y dependencias.
Preparar pyproject, requirements o gestión de entorno.
Aplicar linting, formatting y tipos cuando aporta valor.
Taller: refactorizar notebook a proyecto PyTorch mantenible.

Tema 35: Testing de modelos y pipelines de IA

Crear pruebas para datasets, transforms, shapes, forward pass, pérdidas y métricas.
Validar que un batch pequeño sobreentrena como prueba de sanity check.
Probar carga de checkpoints y equivalencia de inferencia.
Crear tests de no regresión para exportación y serving.
Evitar confiar solo en métricas finales sin pruebas de pipeline.
Simular errores de datos faltantes, clases nuevas o shapes incorrectas.
Añadir tests de rendimiento mínimos cuando procede.
Integrar tests en CI.
Documentar cobertura útil para proyectos de IA.
Taller: crear suite de tests para proyecto PyTorch.

Tema 36: Serving e inferencia por API

Crear servicio de inferencia con FastAPI, Flask u otro framework corporativo.
Cargar modelo, preprocesar entradas, ejecutar inferencia y devolver respuesta estructurada.
Separar lógica de modelo, validación, transformación y endpoint.
Gestionar batching, warmup, timeout y errores.
Evitar cargar el modelo en cada petición.
Controlar CPU/GPU en inferencia.
Añadir logging, métricas, health checks y versionado.
Validar seguridad de entradas y límites de tamaño.
Preparar Dockerfile y configuración de despliegue.
Taller: desplegar modelo PyTorch como API de inferencia.

Tema 37: Inferencia eficiente y optimización de latencia

Medir latencia, throughput, uso de CPU/GPU y memoria.
Aplicar batching, caching, mixed precision, cuantización o compilación según caso.
Reducir preprocesamiento lento y copias innecesarias.
Evitar modelos sobredimensionados para requisitos de latencia.
Crear benchmarks reproducibles de inferencia.
Comparar PyTorch eager, compilado, ONNX o runtime optimizado.
Diseñar colas o workers para cargas variables.
Controlar cold start y warmup.
Documentar compromisos entre calidad, coste y velocidad.
Taller: optimizar API de inferencia reduciendo latencia medida.

Tema 38: ExecuTorch y despliegue en edge

Entender escenarios de inferencia en móviles, dispositivos embebidos, escritorio y edge.
Identificar cuándo tiene sentido desplegar fuera de servidor.
Preparar modelos para exportación y ejecución sin Python cuando aplica.
Revisar restricciones de memoria, energía, latencia, hardware y conectividad.
Comparar edge frente a cloud en privacidad, coste y rendimiento.
Evaluar cuantización y optimización para dispositivos limitados.
Diseñar pruebas de equivalencia y rendimiento en dispositivo objetivo.
Gestionar actualización de modelos en edge.
Documentar limitaciones y fallback.
Taller: diseñar plan de despliegue edge para modelo PyTorch.

Tema 39: MLOps con PyTorch

Diseñar pipeline de datos, entrenamiento, evaluación, registro, despliegue y monitorización.
Integrar PyTorch con MLflow, DVC, Airflow, Prefect, Kubeflow o herramientas corporativas.
Versionar datos, código, configuración, modelos y métricas.
Crear gates de calidad antes de promover modelos.
Automatizar reentrenamiento con criterios claros.
Evitar pipelines automáticos sin revisión de datos y resultados.
Gestionar entornos reproducibles con Docker.
Preparar model registry y stages.
Documentar ciclo de vida completo.
Taller: diseñar pipeline MLOps para modelo PyTorch de producción.

Tema 40: Monitorización de modelos en producción

Monitorizar latencia, errores, throughput, coste y disponibilidad.
Monitorizar distribución de entradas, drift, calidad de predicciones y degradación.
Comparar métricas online y offline cuando existen etiquetas posteriores.
Crear alertas de drift, errores anómalos o caída de rendimiento.
Evitar desplegar modelos sin plan de observabilidad.
Registrar predicciones con minimización de datos.
Diseñar revisión humana de casos críticos.
Preparar rollback o shadow deployment.
Crear dashboard de salud del modelo.
Taller: diseñar monitorización de modelo PyTorch desplegado.

Tema 41: Model governance y documentación

Crear ficha de modelo con finalidad, datos, arquitectura, métricas, limitaciones y owner.
Documentar entrenamiento, validación, sesgos, riesgos, dependencias y versión.
Preparar model cards y datasheets cuando procede.
Definir aprobaciones antes de producción.
Mantener trazabilidad entre dataset, código, experimento y modelo desplegado.
Revisar modelos periódicamente.
Evitar modelos huérfanos sin responsable ni documentación.
Coordinar gobierno con Legal, Seguridad, Compliance y negocio.
Crear inventario de modelos PyTorch.
Taller: documentar modelo final con ficha técnica y checklist de gobierno.

Tema 42: Casos prácticos por sector

Aplicar PyTorch a clasificación de imágenes para calidad industrial o inspección visual.
Crear modelo NLP para clasificar tickets, emails o documentos internos.
Diseñar predicción tabular para riesgo, demanda, abandono o scoring.
Crear embeddings para búsqueda semántica y deduplicación.
Desarrollar detector de anomalías para sensores o transacciones.
Preparar fine-tuning de modelo preentrenado para dominio corporativo.
Exportar modelo a ONNX y crear servicio de inferencia.
Optimizar un modelo para latencia y coste.
Diseñar pipeline MLOps completo con tracking y monitorización.
Taller: seleccionar tres casos sectoriales y resolverlos con arquitectura PyTorch.

Tema 43: Riesgos habituales y antipatrones

Entrenar redes profundas cuando un modelo simple resuelve mejor el problema.
Usar datasets mal etiquetados, sesgados o con fugas de datos.
Medir solo métrica global sin análisis de errores ni subgrupos.
Crear notebooks imposibles de reproducir.
Ignorar shapes, devices, dtype y memoria hasta que el entrenamiento falla.
Hacer fine-tuning sin baseline ni validación.
Desplegar modelos sin monitorización ni plan de rollback.
Guardar datos sensibles en logs, checkpoints o artefactos.
Exportar modelos sin pruebas de equivalencia.
Taller: auditar un proyecto PyTorch mal planteado y rediseñarlo.

Tema 44: Roadmap de adopción de PyTorch en empresa

Evaluar madurez actual: Python, datos, GPUs, MLOps, seguridad, perfiles, casos de uso y herramientas.
Identificar quick wins: visión, NLP, embeddings, anomalías, predicción o optimización de modelos existentes.
Priorizar casos por valor, datos, riesgo, coste, complejidad y adopción.
Definir estándar de proyecto PyTorch con estructura, configuración, tests, tracking y documentación.
Preparar entorno base con Docker, CUDA, dependencias, CI/CD y acceso a datos.
Seleccionar piloto con dataset controlado, métrica clara y usuario de negocio implicado.
Medir calidad, coste, rendimiento, explicabilidad y capacidad de despliegue.
Ajustar estándares antes de escalar a más equipos.
Crear plan a 30, 60, 90 y 180 días.
Taller: construir roadmap corporativo de adopción PyTorch.

Tema 45: Proyecto Final

Definir un caso de uso empresarial con datos, objetivo, métrica, usuarios, restricciones, riesgos y criterio de éxito.
Preparar dataset con validación, limpieza, split, transforms, dataloaders, control de fugas y documentación.
Construir modelo PyTorch modular con `nn.Module`, configuración externa, entrenamiento, validación y métricas.
Implementar training loop profesional con optimizer, scheduler, mixed precision opcional, checkpoints y experiment tracking.
Evaluar modelo con métricas completas, análisis de errores, subgrupos, calibración o explicabilidad según caso.
Optimizar rendimiento con profiling, batch size, dataloading, GPU, `torch.compile` o estrategia equivalente.
Exportar modelo mediante `torch.export`, ONNX o formato adecuado, validando equivalencia de inferencia.
Crear servicio de inferencia con API, preprocesado, postprocesado, logs, métricas, health check y Docker.
Diseñar monitorización, model card, política de datos, riesgos, seguridad, rollback y plan de mantenimiento.
Presentar solución final con arquitectura, resultados, decisiones técnicas, limitaciones, costes, roadmap y mejoras futuras.

Preguntas frecuentes

Resolvemos todas tus dudas sobre nuestra formación en Pytorch

Explora las respuestas a las preguntas que guian a nuestra comunidad. Aqui encontraras claridad sobre como funciona todo, desde el acceso hasta los detalles de los cursos. Si buscas respuestas, este es el lugar para comenzar.

No. PyTorch se usa tanto en investigación como en producción, siempre que se estructuren bien proyectos, entrenamiento, evaluación, despliegue y MLOps.

¿Tienes dudas?
Estamos aqui para ayudarte

Contactar

No. PyTorch se usa tanto en investigación como en producción, siempre que se estructuren bien proyectos, entrenamiento, evaluación, despliegue y MLOps.

¿Tienes dudas?
Estamos aqui para ayudarte

Contactar

Curso de Pytorch

Aprende con el curso de Pytorch para empresas hasta 100% bonificado, a medida para tu organización.

¿Qué es FUNDAE?

¿Cómo funciona FUNDAE?

¿Cómo se bonifica un curso?

¿Qué es FUNDAE?

¿Cómo funciona FUNDAE?

¿Cómo se bonifica un curso?

¿Qué es FUNDAE?

¿Cómo funciona FUNDAE?

¿Cómo se bonifica un curso?

Curso de Pytorch hasta 100% Bonificable a través de FUNDAE

Tu bonificación paso a paso

La formación que decides
te devuelve dinero

Enfoque completo y profesional

Aplicación real a empresa Incluye visión, NLP, tabular, transformers, embeddings, anomalías, APIs, pipelines, seguridad, privacidad y casos sectoriales.

Preparado para producción Trabaja estructura de proyecto, testing, tracking, Docker, serving, optimización, CI/CD, model registry, observabilidad y rollback.

Personaliza el temario al 100% para tu equipo

Nueva Plataforma
de E-learningFormación en directo con plataforma de apoyo para reforzar el aprendizaje

Acceso a las grabaciones

Recursos formativos

Confirmación de asistencia

Temario del curso

Pensado para quienes deben dominar Pytorch en su día a día

Resolvemos todas tus dudas sobre nuestra formación en Pytorch

Diseñemos hoy el curso que tu empresa necesita

Optimización avanzada Incluye GPU, mixed precision, profiling, `torch.compile`, `torch.export`, ONNX, TorchAO, cuantización y estrategias de inferencia eficiente.

Escalabilidad técnica Aborda DDP, FSDP, entrenamiento multi-GPU, memoria, dataloading, checkpoints, distribución y operación en entornos de alto rendimiento.

Gobierno y calidad de modelos Integra documentación, model cards, privacidad, sesgos, métricas por subgrupo, seguridad, explicabilidad y ciclo de vida.

Entregables reutilizables El Proyecto Final deja un proyecto PyTorch completo con datos, entrenamiento, evaluación, exportación, API, Docker, monitorización y roadmap.

Ejercicios prácticos

Acceso a las grabaciones

Recursos formativos

Confirmación de asistencia

Ejercicios prácticos

Practica y mejora con nuestra plataforma

Curso de Pytorch

Aprende con el curso de Pytorch para empresas hasta 100% bonificado, a medida para tu organización.

Curso de Pytorch hasta 100% Bonificable a través de FUNDAE

Tu bonificación paso a paso

La formación que decideste devuelve dinero

Enfoque completo y profesional

Aplicación real a empresa Incluye visión, NLP, tabular, transformers, embeddings, anomalías, APIs, pipelines, seguridad, privacidad y casos sectoriales.

Preparado para producción Trabaja estructura de proyecto, testing, tracking, Docker, serving, optimización, CI/CD, model registry, observabilidad y rollback.

Personaliza el temario al 100% para tu equipo

Nueva Plataformade E-learningFormación en directo con plataforma de apoyo para reforzar el aprendizaje

Acceso a las grabaciones

Recursos formativos

Confirmación de asistencia

Temario del curso

Pensado para quienes deben dominar Pytorch en su día a día

Resolvemos todas tus dudas sobre nuestra formación en Pytorch

Diseñemos hoy el curso que tu empresa necesita

Optimización avanzada Incluye GPU, mixed precision, profiling, `torch.compile`, `torch.export`, ONNX, TorchAO, cuantización y estrategias de inferencia eficiente.

Escalabilidad técnica Aborda DDP, FSDP, entrenamiento multi-GPU, memoria, dataloading, checkpoints, distribución y operación en entornos de alto rendimiento.

Gobierno y calidad de modelos Integra documentación, model cards, privacidad, sesgos, métricas por subgrupo, seguridad, explicabilidad y ciclo de vida.

Entregables reutilizables El Proyecto Final deja un proyecto PyTorch completo con datos, entrenamiento, evaluación, exportación, API, Docker, monitorización y roadmap.

Ejercicios prácticos

Acceso a las grabaciones

Recursos formativos

Confirmación de asistencia

Ejercicios prácticos

Practica y mejora con nuestra plataforma

La formación que decides
te devuelve dinero

Nueva Plataforma
de E-learningFormación en directo con plataforma de apoyo para reforzar el aprendizaje