Deep Learning
Una tecnología clave para el futuro
Cada año la cantidad de datos que generamos crece exponencialmente. Ese aumento vertiginoso de información es el insumo para mejorar y refinar los algoritmos que utilizamos a diario y hacer más eficientes los procesos de análisis de datos.
La Certificación Avanzada en Deep Learning de la Escuela de Innovación del ITBA te permitirá obtener una comprensión clara de los algoritmos más eficientes del ámbito del Machine Learning y el Deep Learning. Obtendrás herramientas para tomar decisiones basadas en datos y resolver problemas específicos y de relevancia para las industrias, a través de la Inteligencia Artificial.
Las habilidades que desarrollarás:
- Manejo de técnicas de aprendizaje automático y de modelos probabilísticos.
- Entendimiento de puesta en producción y técnicas de medición de performance.
- Clasificación de datos para realizar predicciones.
- Diseño de arquitecturas para implementar soluciones modernas a problemas de AI.
- Aplicación de herramientas de python a machine learning.
Para recibir más información, contactanos a través del formulario de consulta
[gravityform id=”109″ title=”false” description=”false”]
Inicio mail de bienvenida: consultar
Fin:
consultar
martes de 18:00 a 21:00 hs (UTC-3)
Precio: consultar
Medios de Pago: Paypal o Bitso
PERFIL DEL PARTICIPANTE
Plan de estudios
Módulo 1: Laboratorio de Probabilidad y Estadística en Python.
1.
a.Anaconda
b.Introducción a pandas, matplotlib, python, jupyter y numpy.
c.Jupyter notebooks. Ejemplos. Edición de scripts de python.
d.Python: Introducción, ejemplos básicos
e.GIT: Utilización de repositorios
f.Python: Listas, Diccionarios, Loops, Funciones, Condicionales, Glob.
g.Ejercitación
2.
a.Uso avanzado de listas y diccionarios
b.Clases y objetos
c.Análisis de datos básico con numpy, matplotlib y pandas
d.Ejercitación
3.
a.Probabilidad: Espacio muestral, distribución de probabilidades, frecuencia, frecuencia relativa, propiedades. eventos mutuamente excluyentes, probabilidad marginal, eventos independientes, probabilidad condicional.
b.Teorema de Bayes
c.Ejercitación y ejemplos en Python de probabilidad
4.
a.Aplicación de probabilidad en Python: Naive Bayes. Detección de SPAM
b.Distribuciones continuas, distribución gaussiana
c.Naive Bayes Gaussiano
d.Ejercitación sobre Naive Bayes
5.
a.Algebra Vectorial
b.Topic Análisis con Numpy:
c.Vectorizers en Python
d.Numpy, Matplotlib y Pandas avanzado
Módulo 2: Laboratorio de Machine Learning.
Módulo 3: Laboratorio de Computer Vision.
1. Convolución:
a. Fundamento teórico. Ejemplos en la vida diaria.
b. Convolución en audio.
c. Convolución en imágenes.
d. nterpretación.
2. Redes Neuronales Convolucionales (CNN)
a. Invariancia a la traslación
b. Arquitectura de una CNN
c. Convolución de imágenes 3-D
d. Conecciones residuales
e. Transfer learning, modelos preentrenados
f. Interpretación de las capas convolucionales
3. Detección de objetos en imágenes y videos
a. Arquitecturas
b. Generadores
c. Sliding Windows usando CNN
d. Anchor Boxes
e. YOLO v1, v2 y v3
f. Métodos de entrenamiento
4. Segmentación de imágenes
a. Planteamiento del problema
b. U-NET
c. U-NET con conecciones residuales
Módulo 4: Laboratorio de Natural Language Processing.
1. Redes Neuronales Recurrentes (RNN)
a. Topologías: Many to One, One to Many, Many to Many, Seq2Seq
b. Stateless y Statefull RNN
c. Simple RNN
d. Exploding y Vanishing Gradient
e. Ejemplos
2. Long Short Term Memory y Gated Recurrent Unit
a. Estructura interna
b. Clasificación de texto
c. Sentiment Analysis
d. Neural Translation Machines (Traductores)
3. Word Embeddings
a. Glove
b. Word2Vec
c. Aplicaciones
4. Bidirectional RNNs
a. Clasificación de Imágenes
b. NTM con WordEmbeddings
c. Attention
5. Image Captioning
Módulo 5: Laboratorio de Reinforcement Learning.
1. Introducción
a. Modelo, Estado, Acción y Recompensa
2. Markov Decision Process
a. Política
b. Funciones de Valor (V y Q)
c. Optimización
3. Programación Dinámica
4. Método de Montecarlo
5. Temporal Difference Learning
6. Métodos de Aproximación
7. TD Lambda
8. Policy Gradient
9. Deep Q Learning
10. A3C
Conocé los coordinadores académicos
Julián Ganzabal
Ingeniero Electrónico (ITBA) desarrollando tareas en el área de machine learning en la industria tales como sistemas de recomendación, ‘computer vision’ y ‘topic modeling’.
Más de 10 años de experiencia docente en el ITBA y la UBA en materias relacionadas con procesos estocásticos, telecomunicaciones y networking.
Carlos Selmo
Ingeniero Electrónico (ITBA) desarrollando tareas en el área de procesamiento de señales y machine learning en el Grupo de Electrónica Digital Aplicada (GEDA). Profesor adjunto de materias en el área de procesamiento de señales, bio-electrónica y sistemas digitales. Entre ellas Redes Neuronales y Redes Neuronales en Bioingeniería.
Para recibir más información, contactanos a través del formulario de consulta
[gravityform id=”104″ title=”false” description=”false”]