Asignaturas/Deep Learning/Slides interactivas

Slides interactivas

Una slide por sesión, muy sencilla: el caso de negocio del día y la ecuación que lo resuelve. Mueve un slider y su símbolo se enciende en dorado dentro de la ecuación, con su valor actualizado, para que veas exactamente qué palanca estás tocando. Son manipulables las dos mitades del problema: los parámetros del modelo y también los datos que entran, porque mover el modelo y mover el caso son cosas distintas y conviene verlas por separado. De estas slides pueden caer preguntas en el examen. Se abren en cualquier navegador sin instalación ni conexión; navega con las flechas del teclado.

¿Quieres más? Las slides interactivas de ampliación desarrollan cada tema con simulaciones completas. Son material opcional: no entran en el examen.

Tema 1 — Fundamentos

La neurona decide un préstamo

Banca (BBVA). ŷ = σ(w₁x₁+w₂x₂+b): mueve los pesos, el sesgo y también las señales del cliente (o arrástralo por el plano) y mira cómo cambian la frontera y la probabilidad de impago.

Regularización contra el sobreajuste

Seguros (Mapfre). L = L_datos + λ‖w‖²: mueve λ y el grado d, y también los datos (N expedientes y su ruido σ): con más datos hace falta menos regularización. Antes, el bucle de entrenamiento en vivo: N, B y E te dan las iteraciones por época y los pasos totales, y el camino de los pesos sobre la superficie de pérdida.

Tema 2 — Visión y secuencias

De la convolución a la clasificación

Retail (Inditex). Kernel 3×3 sobre píxeles editables, padding, stride y pooling; después una LeNet-5 real de 61.706 pesos que clasifica prendas dentro del navegador etapa por etapa, y una calculadora de formas y parámetros para dimensionar la red.

Transfer learning frente a empezar de cero

Teledetección agrícola. La tasa η y las capas descongeladas deciden lo rápido que aprende una red preentrenada; con el slider N ves cómo el hueco frente a entrenar desde cero se cierra al conseguir datos.

La memoria de una red recurrente

Energía (Iberdrola). hₜ = tanh(Wₓxₜ+W_h hₜ₋₁+b): W_h controla la memoria; además cambias la punta de demanda que entra y recorres hora a hora la recurrencia.

La atención mira a las palabras que importan

Turismo. αᵢ = softmax(eᵢ/τ): la temperatura τ afila o reparte la atención, y los cinco scores eᵢ de la reseña son sliders independientes.

Tema 3 — El Transformer y sus rivales

Embeddings y similitud coseno

Streaming (Spotify). cos(u,v) = u·v/(‖u‖‖v‖): mueve los dos vectores con sliders o arrastrando las flechas y comprueba que alargar uno no cambia el coseno.

Self-attention en una reseña

E-commerce (Amazon). softmax(QKᵀ/√d)V: el escalado 1/√d evita que la atención se vuelva dura, y cada palabra de la frase lleva su propio score q·k ajustable.

Mixture of Experts: enrutar el cómputo

Plataforma (Netflix). El router elige los k mejores expertos; cambia el vector x de la petición y verás que se activan otros expertos sin tocar el modelo.

Tema 4 — LLMs y multimodal

La temperatura de un chatbot

Atención al cliente. pᵢ = exp(zᵢ/T)/Σexp(zⱼ/T): T decide si la respuesta es segura o creativa, y los logits zᵢ también se mueven: aplanarlos equivale a subir T.

Difusión: de la imagen al ruido

Publicidad y moda. xₜ = √ᾱₜ x₀ + √(1−ᾱₜ)ε: mueve el nivel de ruido t, el schedule s y el contraste de la imagen que entra.

Tema 6 — Sistemas en producción

RAG: recuperar los documentos que importan

Banca (BBVA). score = cos(q,d): recupera los k fragmentos más parecidos; cambia el tema de la pregunta y todo el ranking, y con él la precisión y el recall, se reordena.

LoRA: adaptar un LLM barato

SaaS. W' = W + (α/r)BA: el rango r fija cuántos parámetros se entrenan, y el tamaño d de la capa base enseña por qué cuanto mayor es el modelo más gana LoRA.

Cascada de modelos: coste y latencia

Operaciones. E[coste] = p·c_barato + (1−p)·c_caro: la fracción p marca el gasto, y el coste del modelo barato y el volumen diario de consultas también son sliders.

Nota. Los días 01, 13, 14 y 18 no tienen slide interactiva porque su contenido no es ecuacional (presentación, agentes y regulación); su material está en las demás secciones.

Eduardo C. Garrido-Merchán · ecgarrido@comillas.edu · Universidad Pontificia Comillas (ICADE) · Deep Learning para Business Analytics 2026–2027