DEEP LEARNING APLICADO AL ANÁLISIS DE SEÑALES E IMÁGENES

- Estudiantes de grado o recién titulados que estén interesados en la técnica de Deep Learning tanto para la creación de modelos predictivos a partir de datos 1D así como en el desarrollo de soluciones enmarcadas en el ámbito de la visión por computador y procesamiento del lenguaje natural empleando imagen, texto y vídeo.
- Profesionales del sector de las TIC que necesiten adquirir conocimientos acerca de los fundamentos
básicos del aprendizaje profundo y llevarlos a la práctica con el objetivo de automatizar procesos a partir de grandes volúmenes de datos, generando valor para las compañías a las que pertenecen.
- Cualquier otra persona interesada en la programación y en la creación de modelos automáticos destinados a cualquier aplicación dentro de la inteligencia artificial.

Sesión 1
Teoría 1. Fundamentos de redes neuronales (2h30)
- Introducción a las redes neuronales
- Descenso por gradiente
- Algoritmo perceptrón
- Fordward and backward propagation
Práctica 1. Fordward & backpropagation: Evaluando el perceptrón con funciones lógicas (2h30)
o Introducción a Python
o Entorno de trabajo: Google Colaboratory
o Funciones lógicas

Sesión 2
Teoría 2a. Aprendizaje y evaluación en redes neuronales (2h)
- División y pre-procesado de los datos
- Parámetros e hiper-parámetros
- Métodos de optimización
- Métodos de regularización
- Inicialización de pesos
Teoría 2b. Introducción a TensorFlow (1h)
- ¿Qué es TensorFlow?
- Tensores y grafos
- Variables vs Placeholders
Práctica 2a. Redes neuronales empleando TensorFlow (2h)
o MNIST dataset
o Categorical vs one-hot encoding

Sesión 3
Teoría 3a. Introducción a Keras (1h)
- ¿Qué es Keras?
- Capas básicas en Keras
- Compilación y entrenamiento en Keras
- Predicción y evaluación en Keras
Práctica 2b. Redes neuronales empleando Keras y MNIST: Estudio de hiperparámetros mediante Keras
Tuner (2h)
o MNIST dataset
o Categorical vs one-hot encoding
Teoría 3b. Fundamentos de las redes neuronales convolucionales (2h)
- Introducción a las CNNs
- Operación convolución
- Extracción automática de características
- Arquitectura y capas de una CNN

Sesión 4
Teoría 4. Keras para el desarrollo de CNNs (2h)
- Desarrollo de CNNs empleando Keras
- API secuencial vs API funcional
- Callbacks y data generators
Práctica 3. CNNs con Keras para la clasificación de imágenes (3h)
o CIFAR-10 dataset
o Comunicación Google Drive – Google Colab
o Instalación de paquetes y almacenamiento de datos en la máquina Colab

Sesión 5
Teoría 5. Arquitecturas CNN existentes y transferencia del conocimiento (2h)
- Transferencia del conocimiento y Fine-tuning
- Challenge ImageNet
- CNNs existentes
- Data augmentation
Práctica 4. Transferencia del conocimiento, data augmentation y visualización interna de una CNN (3h)

Sesión 6
Teoría 6. Deep learning aplicado a texto y secuencias temporales (2h)
- Bag of Words & N-gramas
- One hot encoding vs Word Embeddings
- Redes Neuronales Recurrentes: Unidades LSTM y GRU
- Transformers
Práctica 5. Redes neuronales recurrentes para la clasificación de texto según emociones (3h)

Sesión 7
Teoría 7. Explicación de los μProyectos propuestos y detalles teóricos (1h)
Práctica final. Resolución de un μProyecto en clase I (4h)

Sesión 8
Teoría 8. Hardware/software necesario para Deep Learning (1h)
- Hardware necesario para DL
- Software necesario para DL
- Integración y entorno de desarrollo
Práctica final. Resolución de un μProyecto en clase II (4h)