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 como para el desarrollo de soluciones de clasificación/segmentación en el ámbito de la visión por computador empleando imágenes o vídeos.

- 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. Machine Learning vs Deep Learning (5h)
- Introducción (1h)
o Inteligencia Artificial - Machine Learning - Deep Learning
o Evolución histórica
- Revisión de estrategia de clasificación con Machine Learning (3h)
o Extracción de características (descriptores de imagen)
o Tipos de aprendizaje
o Algoritmos clasificación básicos: KNN - SVM - Random Forests
- Principales diferencias con Deep Learning (casos de estudio en el SoA) (1h)
Sesión 2. Entorno de trabajo óptimo e introducción a Tensor Flow (5h)
- Herramientas necesarias (HW+SW) (0.5h)
o Graphic Processing Unit (GPU)
o Tensorlow, Theano, Caffe, Keras
- Deep Learning en Python vs Matlab (0.5h)
o Ventajas de trabajar en Python y Matlab
o Mathworks vs GitHub
- Google Colab (1h)
o Ventajas de Google Colab
o Configuración del Notebook
- Introducción a TensorFlow (3h)
o Tensores, variables y grafos
o Operaciones básicas
o Problemas de optimización y ejemplos
Sesión 3. Redes neuronales I (5h)
- Introducción (0.5h)
- Algoritmo backpropagation (2h)
- Funciones de pérdidas (1h)
- Métodos de optimización (SGD, Mini-batch SGD, Momentum, Nesterov, RMSprop, Adam)(1.5h)
Sesión 4. Redes neuronales II (5h)
- Implementación con TensorFlow de una MLP (2h)
- Learning Rate y Batch Size (Ejemplos prácticos) (2h)
- Regularización en DL (L1/L2, BatchNorm, Dropout) (1h)
Sesión 4. Redes convolucionales I (5h)
- Introducción (0.5h)
- Operación convolución 2D (teoría e implementación en Python) (1h)
- Arquitectura de una CNN (tipos de capas y bloques típicos) (1.5h)
- Ejemplos de CNNs básicas con TensorFlow (Ejemplos prácticos y casos de estudio) (2h)
- Datasets para clasificación de Imagen (MNIST, Animals, CIFAR-10, DogvsCats, ImageNet) (1h)


Sesion 5. Redes Convolucionales II (5h)
- Data augmentation (0.5h)
- Implementación de CNNs empleando Keras (Ejemplos y casos de uso) (1.5h)
- Transferencia del conocimiento (Extractor de características, Fine-tuning) (0.5h)
- Fine-tuning con Keras (Ejemplos y casos de uso) (1.5h)
- Visualización de activaciones y filtros (1h)
Sesiones 7 y 8. Desarrollo de un mini-proyecto en clase (10h)