Curso

DEEP LEARNING APLICADO AL ANÁLISIS DE SEÑALES E IMÁGENES

  • Desde: 20/6/19
  • Hasta: 12/7/19
  • Campus de Valencia
  • Idioma: Castellano
  • Presencial

Preinscripción desde el 11/3/19

Promovido por:
Dpto. de Comunicaciones

Responsable de la actividad:
Valeriana Naranjo Ornedo



Modalidad

Presencial Online Emisión en directo

40 horas


0 horas


0 horas

Horario

Mañana y Tarde
Jueves 20 de junio:15:00-20:00
Viernes 21 de junio:15:00-20:00
Jueves 27 de junio:15:00-20:00
Viernes 28 de junio:15:00-20:00
Jueves 4 de julio:15:00-20:00
Viernes 5 de julio:15:00-20:00
Jueves 11 de julio:15:00-20:00
Viernes 12 de julio:15:00-20:00

Lugar de impartición
Centro de Formación Permanente (CFP) - Aula informática 2-3
Certificación

Aprovechamiento

Modalidad

PRESENCIAL

Curso

2018-2019

ECTS

4

Campus

Valencia

40 h

Presenciales

0 h

Online

Precio Colectivo Plazos
200 € Alumno UPV  1 plazo
200 € Alumni UPV PLUS o AAA UPV  1 plazo
200 € Personal UPV  1 plazo
300 € Público en general  1 plazo
200,00 € - Alumno UPV
200,00 € - Alumni UPV PLUS
200,00 € - Personal UPV
300,00 € - Público en general

Objetivos

Son varios los objetivos que pretende abordar el curso:
1. Dar a conocer al alumno los fundamentos teóricos de la técnica de aprendizaje profundo (Deep Learning en inglés) para la creación de potentes modelos predictivos que aprendan automáticamente los patrones más representativos de los datos.
2. Resolución práctica de casos de estudio típicos enmarcados en el campo de la inteligencia artificial mediante el paradigma del deep learning.
3. Dar a conocer una de las herramientas más intuitivas y accesibles para poner en práctica el entrenamiento de modelos basados en redes neuronales profundas empleando GPUs como es Google Colab en combinación con los frameworks Keras y TensorFlow.

Acción formativa dirigida a

- 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.


Profesores


Temas a desarrollar

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)