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.
Temario del curso
Introducción AI, Machine Learning & Deep Learning
- Historia, conceptos básicos y aplicaciones usuales de la inteligencia artificial. De las fantasías de este dominio.
- Inteligencia Colectiva: agregando conocimiento compartido por muchos agentes virtuales
- Algoritmos genéticos: para desarrollar una población de agentes virtuales por selección
- Máquina de aprendizaje habitual: definición.
- Tipos de tareas: aprendizaje supervisado, aprendizaje no supervisado, aprendizaje de refuerzo
- Tipos de acciones: clasificación, regresión, clustering, estimación de densidad, reducción de dimensionalidad
- Ejemplos de algoritmos de Machine Learning: regresión lineal, Naive Bayes, Random Tree
- Aprendizaje automático VS Deep Learning: problemas en los que se mantiene el aprendizaje automático Hoy en día el estado del arte (Random Forests & XGBoosts)
Conceptos básicos de una red neuronal (Aplicación: perceptrón multicapa)
- Recordatorio de bases matemáticas
- Definición de una red de neuronas: arquitectura clásica, activación y
- Ponderación de activaciones anteriores, profundidad de una red
- Definición del aprendizaje de una red de neuronas: funciones de costo, retro-propagación, gradiente de gradiente estocástico, máxima verosimilitud.
- Modelado de una red neuronal: modelar datos de entrada y salida de acuerdo con el tipo de problema (regresión, clasificación ...). Maldición de dimensionalidad.
- Distinción entre datos de múltiples funciones y señal. Elección de una función de costo según los datos.
- Aproximación de una función por una red de neuronas: presentación y ejemplos
- Aproximación de una distribución por una red de neuronas: presentación y ejemplos
- Aumento de datos: cómo equilibrar un conjunto de datos
- Generalización de los resultados de una red de neuronas.
- Inicialización y regularización de una red neuronal: regularización L1 / L2, normalización de lotes
- Algoritmos de optimización y convergencia
Herramientas estándar ML / DL
Se planifica una presentación simple con ventajas, desventajas, posición en el ecosistema y uso.
- Herramientas de gestión de datos: Apache Spark, Apache Hadoop Tools
- Aprendizaje automático: Numpy, Scipy, Sci-kit
- Armazones DL de alto nivel: PyTorch, Keras, Lasagne
- Marcos DL de bajo nivel: Theano, Torch, Caffe, Tensorflow
Redes Neuronales Convolucionales (CNN).
- Presentación de los CNN: principios fundamentales y aplicaciones
- Funcionamiento básico de una CNN: capa convolucional, uso de un núcleo,
- Relleno y zancada, característica de generación de mapas, agrupación de capas. Extensiones 1D, 2D y 3D.
- Presentación de las diferentes arquitecturas CNN que trajeron el estado del arte en la clasificación
- Imágenes: LeNet, Redes VGG, Red en red, Inicio, Resnet. Presentación de las innovaciones producidas por cada arquitectura y sus aplicaciones más globales (Convolución 1x1 o conexiones residuales)
- Uso de un modelo de atención.
- Aplicación a un caso de clasificación común (texto o imagen)
- CNNs para generación: súper resolución, segmentación pixel-a-pixel. Presentación de
- Principales estrategias para aumentar los mapas de características para la generación de imágenes.
Redes neuronales recurrentes (RNN).
- Presentación de RNN: principios y aplicaciones fundamentales.
- Funcionamiento básico del RNN: activación oculta, retro-propagación a través del tiempo, versión desplegada.
- Evoluciones hacia las Unidades Recurrentes Cerradas (GRU) y LSTM (Memoria a Largo Plazo Larga).
- Presentación de los diferentes estados y las evoluciones traídas por estas arquitecturas
- Convergencia y problemas de gradiente de desvanecimiento
- Arquitecturas clásicas: Predicción de una serie temporal, clasificación ...
- RNN Encoder Decoder type architecture. Uso de un modelo de atención.
- Aplicaciones NLP: codificación de palabras / caracteres, traducción.
- Aplicaciones de video: predicción de la siguiente imagen generada de una secuencia de video.
Modelos generacionales: Variable AutoEncoder (VAE) y Generative Adversarial Networks (GAN).
- Presentación de los modelos generacionales, enlace con los CNN
- Auto-encoder: reducción de dimensionalidad y generación limitada
- Auto-encoder variable: modelo generacional y aproximación de la distribución de un dado. Definición y uso del espacio latente. Truco de reparametrización Aplicaciones y límites observados
- Redes de adversarios generativos: Fundamentos.
- Arquitectura de red dual (Generador y discriminador) con aprendizaje alternativo, funciones de costos disponibles.
- Convergencia de un GAN y dificultades encontradas.
- Convergencia mejorada: Wasserstein GAN, Began. Distancia de movimiento de tierra
- Aplicaciones para la generación de imágenes o fotografías, generación de texto, super-resolución.
Aprendizaje de refuerzo profundo.
- Presentación del aprendizaje de refuerzo: control de un agente en un entorno definido
- Por un estado y posibles acciones
- Uso de una red neuronal para aproximar la función de estado
- Deep Q Learning: reproducción de experiencia y aplicación al control de un videojuego.
- Optimización de la política de aprendizaje. En política && fuera de política. Arquitectura crítica del actor. A3C.
- Aplicaciones: control de un solo videojuego o sistema digital.
Parte 2 - Theano para el aprendizaje profundo
Fundamentos de Theano
- Introducción
- Instalacion y configuracion
Funciones de Theano
- entradas, salidas, actualizaciones, datos
Entrenamiento y optimización de una red neuronal usando Theano
- Modelado de redes neuronales
- Regresión logística
- Capas ocultas
- Entrenando una red
- Computación y Clasificación
- Mejoramiento
- Pérdida de registro
Probando el modelo
Parte 3 - DNN usando Tensorflow
Conceptos básicos de TensorFlow
- Creación, inicialización, almacenamiento y restauración de variables de TensorFlow
- Alimentando, leyendo y precargando los datos de TensorFlow
- Cómo usar la infraestructura de TensorFlow para entrenar modelos a escala
- Visualización y evaluación de modelos con TensorBoard
Mecánica TensorFlow
- Prepare los datos
- Descargar
- Entradas y marcadores de posición
- Construye los GraphS
- Inferencia
- Pérdida
- Formación
- Entrenar el modelo
- La gráfica
- La sesión
- Train Loop
- Evaluar el modelo
- Construye el Gráfico Eval
- Salida Eval
El Perceptron
- Funciones de activación
- El algoritmo de aprendizaje perceptron
- Clasificación binaria con el perceptrón
- Clasificación de documentos con el perceptrón
- Limitaciones del perceptrón
Desde Perceptron hasta Support Vector Machines
- Kernels y el truco del kernel
- Máxima clasificación de márgenes y vectores de soporte
ââââââRedes neuronales artificiales
- Límites de decisión no lineal
- Feedforward y feedback redes neuronales artificiales
- Perceptrones multicapa
- Minimizando la función de costo
- Propagación hacia adelante
- Reproducción posterior
- Mejorando la forma en que las redes neuronales aprenden
Redes neuronales convolucionales
- Metas
- Arquitectura modelo
- Principios
- Organización de código
- Lanzamiento y entrenamiento del modelo
- Evaluar un modelo
Introducciones básicas que se darán a los módulos a continuación (se brindará una breve introducción en función de la disponibilidad de tiempo):
Tensorflow: uso avanzado
- Enhebrado y colas
- Distribuido TensorFlow
- Escribir documentación y compartir su modelo
- Personalizar lectores de datos
- Manipulando archivos de modelo de TensorFlow
TensorFlow Sirviendo
- Introducción
- Tutorial de servicio básico
- Tutorial de servicio avanzado
- Sirviendo Tutorial de Modelo de Inicio
Requerimientos
Antecedentes en física, matemáticas y programación. Participación en actividades de procesamiento de imágenes.
Los delegados deberían tener una comprensión previa de los conceptos de aprendizaje automático, y deberían haber trabajado en la programación y las bibliotecas de Python.
35 Horas
Testimonios (5)
Hunter es fabuloso, muy atractivo, extremadamente conocedor y agradable. Muy bien hecho.
Rick Johnson - Laramie County Community College
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
El entrenador explicó bien el contenido y mantuvo nuestra atención durante todo el tiempo. Se detenía para hacer preguntas y nos dejaba llegar a nuestras propias soluciones en algunas sesiones prácticas. También adaptó muy bien el curso a nuestras necesidades.
Robert Baker
Curso - Deep Learning with TensorFlow 2.0
Traducción Automática
Tomasz realmente conoce bien la información y el curso estaba bien paceado. (Note: "paceado" is not a correct Spanish word, so I'll adjust it to make sense in Spanish.) Tomasz realmente conoce bien la información y el curso fue bien estructurado en cuanto al ritmo.
Raju Krishnamurthy - Google
Curso - TensorFlow Extended (TFX)
Traducción Automática
Organización, siguiendo la agenda propuesta, el amplio conocimiento del entrenador sobre este tema
Ali Kattan - TWPI
Curso - Natural Language Processing with TensorFlow
Traducción Automática
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
Paul Lee
Curso - TensorFlow for Image Recognition
Traducción Automática
