Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Programa del Curso
El curso se divide en tres días separados, el tercero es opcional.
Día 1 - Machine Learning y Deep Learning: Conceptos teóricos
1. Introducción IA, Machine Learning y Deep Learning
- Historia, conceptos fundamentales y aplicaciones habituales de la inteligencia artificial alejadas de las fantasías que conlleva este campo
- Inteligencia colectiva: agregación de conocimiento compartido por muchos agentes virtuales
- Algoritmos genéticos: evolución de una población de agentes virtuales por selección
- Machine Learning Usual: definición.
- Tipos de tareas: aprendizaje supervisado, aprendizaje no supervisado, aprendizaje por refuerzo
- Tipos de acciones: clasificación, regresión, clustering, estimación de densidad, reducción de dimensionalidad
- Ejemplos de algoritmos Machine Learning: Regresión lineal, Naive Bayes, Random Tree
- Aprendizaje automático VS Deep Learning: problemas en los que el Machine Learning sigue siendo el estado del arte hoy en día (Random Forests y XGBoosts)
2. Conceptos fundamentales de una red neuronal (Aplicación: perceptrón multicapa)
- Recordatorio de conceptos básicos matemáticos.
- Definición de una red neuronal: arquitectura clásica, funciones de activación y ponderación de activaciones anteriores, profundidad de una red
- Definición de entrenamiento de redes neuronales: funciones de coste, retropropagación, descenso de gradiente estocástico, máxima verosimilitud.
- Modelado de una red neuronal: modelado de datos de entrada y salida según el tipo de problema (regresión, clasificación, etc.). Maldición de la dimensionalidad. Distinción entre datos multifunción y señal. Elección de una función de coste en función de los datos.
- Aproximación de una función mediante una red neuronal: presentación y ejemplos
- Aproximación a una distribución por una red neuronal: presentación y ejemplos
- Aumento de datos: cómo equilibrar un conjunto de datos
- Generalización de los resultados de una red neuronal.
- Inicializaciones y regularizaciones de una red neuronal: regularización L1/L2, Batch Normalization, etc.
- Optimizaciones y algoritmos de convergencia.
3. Herramientas habituales de ML/DL
Se planifica una presentación sencilla con ventajas, desventajas, posición en el ecosistema y uso.
- Herramientas de gestión de datos: Apache Spark, Apache Hadoop
- Herramientas comunes Machine Learning: Numpy, Scipy, Sci-kit
- Marcos de DL de alto nivel: PyTorch, Keras, Lasagna
- Frameworks DL de bajo nivel: Theano, Torch, Caffe, Tensorflow
Día 2 - Redes convolucionales y recurrentes
4. Convolucional Neural Networks (CNN).
- Presentación de las CNN: principios fundamentales y aplicaciones
- Funcionamiento fundamental de una CNN: capa convolucional, uso de un kernel, padding & stride, generación de mapas de características, capas de agrupación. Extensiones 1D, 2D y 3D.
- Presentación de las diferentes arquitecturas CNN que han aportado el estado del arte en clasificación de imágenes: LeNet, VGG Networks, Network in Network, Inception, Resnet. Presentación de las innovaciones aportadas por cada arquitectura y sus aplicaciones más globales (1x1 convolución o conexiones residuales)
- Uso de un modelo de atención.
- Aplicación a un escenario de clasificación común (texto o imagen)
- CNNs para generación: segmentación de píxel a píxel de superresolución. Una descripción general de las principales estrategias para aumentar los mapas de características para la generación de imágenes.
5. Recurrente Neural Networks (RNN).
- Presentación de RNNs: principios fundamentales y aplicaciones.
- Cómo funciona la RNN: activación oculta, propagación hacia atrás en el tiempo, versión desplegada.
- Evolución hacia GRU (Unidades Recurrentes Cerradas) y LSTM (Memoria a Corto Plazo). Presentación de los diferentes estados y las evoluciones que han traído estas arquitecturas
- Problemas de convergencia y desaparición de gradientes
- Tipos de arquitecturas clásicas: Predicción de una serie temporal, clasificación, etc.
- Arquitectura del decodificador RNN Encoder. Uso de un modelo de atención.
- Aplicaciones de PLN: codificación de palabras/caracteres, traducción.
- Aplicaciones de vídeo: predice el siguiente fotograma generado de una secuencia de vídeo.
Día 3 - Modelos generacionales y Reinforcement Learning
6. Modelos generacionales: Autocodificador Variacional (VAE) y Redes Generativas Adversarias (GAN).
- Presentación de modelos generacionales, vinculación con CNNs vistos en el día 2
- Autocodificador: reducción de dimensionalidad y generación limitada
- Autocodificador variacional: modelo generacional y aproximación de la distribución de un dato. Definición y uso del espacio latente. Truco de reparametrización. Aplicaciones y limitaciones observadas
- Redes generativas adversarias: Fundamentos. Arquitectura de dos retículas (generador y discriminador) con aprendizaje alternativo, funciones de costo disponibles.
- Convergencia de una GAN y dificultades encontradas.
- Convergencia mejorada: GAN de Wasserstein, BeGAN. Distancia de movimiento de la Tierra.
- Aplicaciones para la generación de imágenes o fotos, generación de texto, super-
resolución.
7. Profundo Reinforcement Learning.
- Información general sobre el aprendizaje por refuerzo: control de un agente en un entorno definido por el estado y posibles acciones
- Uso de una red neuronal para aproximar la función de estado
- Deep Q Learning: experiencia de repetición, y aplicación al control de un videojuego.
- Optimizaciones de la política de aprendizaje. Dentro y fuera de la política. Actor crítico de arquitectura. A3C.
- Aplicaciones: control de un simple videojuego o de un sistema digital.
Requerimientos
Level ingénieur
21 Horas
