Ejercicios de ampliación
Material opcional. Estos ejercicios están para enseñar de qué es capaz el método, no para exigir: no se piden calculados en el examen. De ellos sólo puede preguntarse la idea, a nivel conceptual. El obligatorio de cada sesión es el ejercicio del día, y vive en Ejercicios.
Aquí se publican los enunciados. Las soluciones de ampliación se ven en clase y no se publican.
Los días 07, 09 y 10 han pasado enteros a esta página. Sus ejercicios del día ya no se piden calculados en el examen, así que han dejado de estar en Ejercicios y aparecen aquí abajo con la etiqueta ANTES EJERCICIO DEL DÍA. Son los tres únicos de esta página que conservan solución publicada, protegida con la misma contraseña de clase de siempre. De esos tres temas sólo puede preguntarse la idea, a nivel conceptual.
Tema 1 — Fundamentos
Día 02
Fundamentos: neurona, MLP y backpropagation
Día 03
Regularización, schedules y dashboards
Tema 2 — Visión y secuencias
Día 04
Convolución, pooling y transfer learning
Día 06
Datos secuenciales: RNN, LSTM y GRU
Día 07
Del cuello de botella RNN a la atención
Día 07
ANTES EJERCICIO DEL DÍADel cuello de botella RNN a la atención
Antes en Ejercicios. Ya no se pide calculado en el examen.
Tema 3 — El Transformer y sus rivales
Día 08
Embeddings: word2vec, distancias y vectores contextuales
Día 09
Self-attention, multi-head y el bloque Transformer
Día 09
ANTES EJERCICIO DEL DÍASelf-attention, multi-head y el bloque Transformer
Antes en Ejercicios. Ya no se pide calculado en el examen.
Día 10
Alternativas al Transformer: Mamba y MoE
Día 10
ANTES EJERCICIO DEL DÍAAlternativas al Transformer: Mamba y MoE
Antes en Ejercicios. Ya no se pide calculado en el examen.
Tema 4 — LLMs y multimodal
Día 11
Cómo funciona un LLM: sampling y context engineering
Día 12
Difusión y modelos multimodales
Tema 6 — Sistemas en producción
Día 15
RAG: recuperación aumentada con generación
Día 16
Adaptación de LLMs: prompting, LoRA, RLHF, DPO
Eduardo C. Garrido-Merchán · ecgarrido@comillas.edu · Universidad Pontificia Comillas (ICADE) · Deep Learning para Business Analytics 2026–2027 · CC BY-NC-SA 4.0