Curso

DEEP LEARNING APLICADO AL ANÁLISIS DE SEÑALES E IMÁGENES

Datos básicos

Fechas de inicio y fin

Del 7/02/20 al 29/02/20

Fecha de matrícula

Preinscripción desde el 14/10/19
Matrícula desde el 18/10/19 16:37


Duración

40 horas presenciales,

Lugar de Impartición

Aula Policonecta del CFP a definir
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

ND

Viernes 7 Febrero: 15:00-20:00 Sábado 8 Febrero: 09:00-14:00 Viernes 14 Febrero: 15:00-20:00 Sábado 15 Febrero: 09:00-14:00 Viernes 21 Febrero: 15:00-20:00 Sábado 22 Febrero: 09:00-14:00 Viernes 28 Febrero: 15:00-20:00 Sábado 29 Febrero: 09:00-14:00

Precio

500 €
500,00 € - Público en general
300,00 € - Alumno UPV
300,00 € - Personal UPV
300,00 € - Alumni UPV PLUS o AAA UPV



Temas a desarrollar

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 2. Introducción a TensorFlow (5h)
- ¿Qué es TensorFlow?
- Tensores y grafos
- Variables vs Placeholders
Práctica 2. Introducción a TF: Problemas de optimización y regresión lineal.
o Optimización y regresión empleando TF
o Boston dataset

Sesión 3
Teoría 3. Aprendizaje y evaluación en redes neuronales (3h)
- División y pre-procesado de los datos
- Parámetros e hiper-parámetros
- Métodos de optimización
- Métodos de regularización
- Inicialización de pesos
Práctica 3. Redes neuronales empleando TF y MNIST: Estudio de hiper-parámetros I (2h)
o MNIST dataset
o Categorical vs one-hot encoding

Sesión 4
Práctica 3. Redes neuronales empleando TF y MNIST: Estudio de hiper-parámetros II (3h)
Teoría 4. Fundamentos de las redes neuronales convolucionales (2h)
- Introducción a las CNNs
- Operación convolución
- Extracción automática de características
- Arquitectura y capas de una CNN

Sesión 5. Introducción a Keras (1h)
- ¿Qué es Keras?
- Capas básicas en Keras
- API secuencial vs API funcional
- Compilación y entrenamiento en Keras
- Predicción y evaluación en Keras
Práctica 4. CNNs con Keras para la clasificación de imágenes (4h)
o CIFAR-10 dataset
o Comunicación Google Drive – Google Colab
o Instalación de paquetes y almacenamiento de datos en la máquina Colab

Sesión 6
Teoría 6. Arquitecturas CNN existentes y transferencia del conocimiento (2h)
- Transferencia del conocimiento y Fine-tuning
- Challenge ImageNet
- CNNs existentes
- Data augmentation
Práctica 5. Transferencia del conocimiento, data augmentation y visualización interna de una CNN (3h)

Sesión 7
Teoría 7. CNNs para la resolución de tareas típicas en visión artificial (2h30)
- Tareas a resolver en problemas de visión artificial
- Detección de objetos: R-CNN, Fast R-CNN, Faster R-CNN y SSD
- Segmentación semántica y de instancia: FCNN-SS, U-net, FCNN-SI, Mask R-CNN.
- Tracking de objetos: YOLO y RetinaNet
Práctica final. Resolución de un µProyecto en clase I (2h30)

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)

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 micro-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

espacioAdrian Colomer Granero
espacioValeriana Naranjo Ornedo

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,  keras,  tensorflow,  google colab

Imagen espacio Imagen espacio
Inscripción Online

Compartir:



Cursos de matrícula flexible Oferta de idiomas del CDL
Noticias: