Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Programa del Curso
El curso se divide en tres días distintos, siendo el tercero opcional.
Día 1 - Machine Learning y Aprendizaje Profundo: conceptos teóricos
1. Introducción AI, Machine Learning y Aprendizaje Profundo
- Historia, conceptos básicos y aplicaciones comunes de la inteligencia artificial lejanos
fantasías transportadas por esta zona
Inteligencia Colectiva agregando las compartida por muchos agentes virtuales -
- Algoritmos genéticos: evolucionar una población de agentes virtuales de selección
- Máquina de aprendizaje habitual: definición.
- Los tipos de tareas: aprendizaje supervisado, no supervisado de aprendizaje, aprendizaje por refuerzo
- Tipo de acciones: clasificación, regresión, clustering, estimación de la densidad, la reducción
dimensionalidad
- Ejemplos de algoritmos de aprendizaje automático: regresión lineal, Naive Bayes, Árbol aleatoria
- Aprendizaje automático VS profundo de aprendizaje: los problemas que el resto de la máquina de aprendizaje
Hoy en día el estado de la técnica (por azar Bosques y XGBoosts)
2. Fundamentos de una red neural (Aplicación: Multi-Capa Perceptron)
- bases matemáticas recordatorio.
- Definición de una red neuronal: la arquitectura clásica, y la activación de funciones
ponderación activaciones precedentes profundidad de una red
- Definición de entrenamiento de una red neuronal: las funciones de costo, de back-propagación,
descenso de gradiente estocástico, de máxima verosimilitud.
- Modelado de una red neuronal: el modelado de datos de entrada y de salida de acuerdo
el tipo de problema (regresión, clasificación ...). La maldición de la dimensionalidad. distintiva
dado múltiples características y señales. La elección de una función de costos de acuerdo a los datos.
- Función aproximado por una red neuronal: presentación y ejemplos
- Distribución aproximada por una red neuronal: presentación y ejemplos
- Aumento de datos: cómo equilibrar un conjunto de datos
- La generalización de los resultados de una red neuronal.
- Inicialización y acumulaciones de una red neural: L1 / L2 regularización, Batch
La normalización ...
- optimizaciones y algoritmos de convergencia.
3. Herramientas de Standard ML / DL
está prevista una simple presentación con ventajas, desventajas, la posición en el ecosistema y el uso.
- Herramientas de Gestión de Datos: Spark Apache, Apache Hadoop
- Máquinas herramientas de aprendizaje habitual: Numpy, Scipy, Sci-kit
- Marcos DL alto: PyTorch, Keras, lasaña
- Marcos DL Bajo: Teano, la antorcha, Caffe, Tensorflow
Día 2 - Convolucionales y Recurrentes Redes
4. Redes Neuronales Convolucionales (CNN).
- Presentación de la CNN: principios y aplicaciones básicas
- operación fundamental de una capa convolucional CNN, el uso de un núcleo,
acolchado y zancada, mapas de características de generación, la puesta en común de tipo capas. Extensiones de 1D, 2D y
3D.
- Presentación de las diferentes arquitecturas con CNN llevó el estado de la técnica en la clasificación
Image: Lenet ACV Red de Redes en Red, Origen, Resnet. presentación de
innovaciones de cada arquitectura y aplicaciones más amplias (convolución
1x1 o conexiones residuales)
- El uso de un modelo de atención.
- Aplicación a un caso de la figura de clasificación habitual (texto o imagen)
- CNN para la generación de super-resolución, pixel para la segmentación de píxeles. presentación de
principales estrategias de característica cada vez más mapas para generar una imagen.
5. Las redes neuronales recurrentes (RNN).
- Presentación de RNNs: principios básicos y aplicaciones.
- Operación fundamental de la NNI: la activación oculta, de vuelta de propagación a través del tiempo,
Versión desplegó.
- Cambios en el GRU (Unidades recurrente cerrada) y MTSA (memoria a largo Corto Plazo).
Presentación de los diferentes estados y los cambios realizados por estas arquitecturas
- problemas de convergencia y vanising gradiente
- Tipos de arquitecturas convencionales: Serie de tiempo de predicción, clasificación ...
- Tipo de Arquitectura RNN Encoder Decoder. El uso de un modelo de atención.
- aplicaciones de PNL: Palabra / codificación de caracteres, de traducción.
- aplicaciones de vídeo: la predicción de la siguiente imagen generada a partir de una película.
Día 3 - Modelos Generacionales y Aprendizaje por Refuerzo
6. Modelos Generacionales: variacional AutoEncoder (VAE) y Generativos Acusatorios Networks (GAN).
- Presentación de los patrones generacionales, vínculos con la CNN ha visto el día 2
- Auto-codificación: reducción de la dimensionalidad y la generación limitada
- variacional Auto-encode: modelo generacional y aproximación de la distribución de una
dado. Definición y uso del espacio latente. truco reparametrización. y aplicaciones
límites observados
- Redes generativo Acusatorios: principios fundamentales. Arquitectura en dos redes
(Generador y discriminador) con el aprendizaje alternativo, funciones de coste.
- Convergencia de GAN y dificultades.
- Mejora de la Convergencia: Wasserstein GAN comenzó. Movimiento de tierras distancia.
- aplicaciones de generación de imágenes o fotografías, la generación de textos, super-
resolución.
7. profundo aprendizaje por refuerzo.
- Presentación de aprendizaje por refuerzo: un agente de control en un entorno definido
por las acciones del Estado y las posibles
- El uso de una red neural a la aproximación de la función de estado
- Deep Q-learning: la experiencia de reproducción, y la aplicación para controlar un videojuego.
- Optimización de la política de aprendizaje. Una política && fuera de la política. crítico Actor
la arquitectura. A3C.
- Aplicaciones: control de un videojuego simple o sistema digital.
Requerimientos
Ingeniero de nivel
Destinatarios: Ingenieros, Data-científicos que deseen aprender el neuronal redes / aprendizaje profundo
21 horas
