Curso

DEEP LEARNING APLICADO AL ANÁLISIS DE SEÑALES E IMÁGENES

Datos básicos

Fechas de inicio y fin

Del 1/02/19 al 23/02/19

Fecha de matrícula

Preinscripción desde el 20/09/18


Duración

40 horas presenciales,
4 Créditos ECTS

Lugar de Impartición

Aula 2.1 CFP
VALÈNCIA

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.

Horario

MAÑANA Y TARDE

Viernes 1 de febrero:15:00-20:00 Sábado 2 de febrero:9:00-13:00 Viernes 8 de febrero:15:00-20:00 Sábado 9 de febrero:9:00-13:00 Viernes 15 de febrero:15:00-20:00 Sábado 16 de febrero:9:00-13:00 Viernes 22 de febrero:15:00-20:00 Sábado 23 de febrero:9:00-13:00

Precio

300 €
200,00 € - Alumno UPV
200,00 € - Alumni UPV PLUS
200,00 € - Personal UPV
300,00 € - Público en general



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)

Más información

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.

Metodología didáctica:

Curso teórico-práctico en el que al principio de la sesión se introducen los conceptos teóricos pertinentes al tema a cubrir. Posteriormente dichos conocimientos teóricos se llevan a la práctica por medio de ejemplos y/o casos de estudio empleando la plataforma Google Colab. Finalmente, el alumno debe ser capaz de poner dichos conceptos en práctica por él mismo mediante un mini-proyecto/trabajo final durante las dos últimas sesiones del curso.
El lenguaje de programación empleado será Python y se hará uso de las librerías Keras y TensorFlow para poner en práctica la técnica de aprendizaje profundo.

Conocimientos previos necesarios:

Necesarios: Conocimientos de programación en general.
Recomendados: Python y/o Matlab.

Otra información

Actualmente vivimos en una era totalmente digital en la que se generan millones de datos diarios. Ser capaz de sacar valor de dichos datos y poder generar modelos de predicción a partir de los mismos es una capacidad de vital importancia a día de hoy.
Gracias al aprendizaje automático o machine learning es posible crear modelos de estimación capaces de resolver problemas de forma automática tal y como lo haría un ser humano. Clásicamente, el conocimiento necesario para generar este tipo de modelos era proporcionado mediante una etapa manual de extracción de características mediante la que se codificaba la información relevante de los datos para poder realizar un entrenamiento de los modelos. Hace pocos años este paradigma se ha visto relegado por la aparición de la revolucionaria técnica conocida como aprendizaje profundo o deep learning (rama del machine learning).
El uso de redes neuronales profundas para la extracción automática de características y la generación de modelos predictivos (clasificación, segmentación, síntesis, etc.) ha supuesto un giro radical en la forma de hacer uso de los datos. En este curso se pretende que el alumno adquiera los conocimientos teórico-prácticos fundamentales para poder emplear la técnica de aprendizaje profundo y ser capaz de proponer soluciones a diversos tipos de problemas enmarcados dentro de la inteligencia artificial.

Responsable de actividad

Valeriana Naranjo Ornedo

Director académico

Adrian Colomer Granero

Profesorado

Contacto

Correo electrónico

Valeriana Naranjo Ornedo

Promovido por

DPTO. DE COMUNICACIONES


Condiciones

Condiciones generales

Consulte las Condiciones generales de la actividad.

imagen separador
Inscripción Online

Compartir:

Visita otros cursos relacionados con...

 Deep Learning,  inteligencia artificial,  visión por computador,  TensorFlow,  Google Colab

Imagen espacio Imagen espacio
Inscripción Online

Compartir:



Masteres y Titulos Propios UPV Cursos de matrícula flexible Oferta de idiomas del CDL
Noticias:

Curso “Estrategia, innovación y rendición de cuentas en la Administración Pública” homologado po....

El curso cuenta con la homologación oficial del Instituto Valenciano de Administración Pública (IVAP) lo que garantiza que la formación cumple ...