Programa del Curso

Día-1:

Básico Machine Learning

Módulo-1

Introducción:

  • Ejercicio: instalación de Python y bibliotecas NN
  • ¿Por qué el aprendizaje automático?
  • Breve historia del aprendizaje automático
  • El auge del aprendizaje profundo
  • Conceptos básicos en machine learning
  • Visualización de un problema de clasificación
  • Límites de decisión y regiones de decisión
  • IPython Cuadernos

Módulo-2

  • Ejercicio – Regiones de decisión
  • La neurona artificial
  • La red neuronal, la propagación directa y las capas de red
  • Funciones de activación
  • Ejercicio – Funciones de activación
  • Retropropagación del error
  • Infraadaptación y sobreadaptación
  • Interpolación y suavizado
  • Extrapolación y abstracción de datos
  • Generalización en el aprendizaje automático

Módulo-3

  • Ejercicio – Ajuste insuficiente y sobreajustado
  • Conjuntos de entrenamiento, pruebas y validación
  • El sesgo de datos y el problema del ejemplo negativo
  • Equilibrio sesgo/varianza
  • Ejercicio: conjuntos de datos y sesgo

Módulo-4

  • Descripción general de los parámetros e hiperparámetros NN
  • Problemas de regresión logística
  • Funciones de coste
  • Ejemplo – Regresión
  • Aprendizaje automático clásico vs. aprendizaje profundo
  • Conclusión

Día-2: Convolucional Neural Networks (CNN)

Módulo-5

  • Introducción a CNN
  • ¿Qué son las CNN?
  • Computer visión
  • CNNs en la vida cotidiana
  • Imágenes: píxeles, cuantificación de color y espacio, RGB
  • Ecuaciones de convolución y significado físico, continuo vs. discreto
  • Ejercicio – Convolución 1D

Módulo-6

  • Base teórica para el filtrado
  • Señal como suma de sinusoides
  • Espectro de frecuencias
  • Filtros de paso de banda
  • Ejercicio – Filtrado de frecuencia
  • Filtros convolucionales 2D
  • Acolchado y longitud de zancada
  • Filtrar como paso de banda
  • Filtrar como coincidencia de plantilla
  • Ejercicio – Detección de bordes
  • Filtros Gabor para análisis de frecuencia localizada
  • Ejercicio: filtros de Gabor como mapas de capa 1

Módulo-7

  • Arquitectura de CNN
  • Capas convolucionales
  • Capas máximas de agrupación
  • Reducción de capas de muestreo
  • Abstracción de datos recursiva
  • Ejemplo de abstracción recursiva

Módulo-8

  • Ejercicio – Uso básico de CNN
  • Dataset de ImageNet y el modelo VGG-16
  • Visualización de mapas de entidades
  • Visualización de significados de características
  • Ejercicio: mapas de características y significados de entidades

Día-3: Modelo de secuencia

Módulo-9

  • ¿Qué son los modelos de secuencia?
  • ¿Por qué secuenciar modelos?
  • Caso de uso de modelado de lenguaje
  • Secuencias en el tiempo vs. secuencias en el espacio

Módulo-10

  • RNN
  • Arquitectura recurrente
  • Retropropagación a través del tiempo
  • Degradados que se desvanecen
  • GRU
  • LSTM
  • RNN profundo
  • RNN bidireccional
  • Ejercicio – RNN unidireccional vs. bidireccional
  • Secuencias de muestreo
  • Predicción de salida de secuencia
  • Ejercicio – Predicción de salida de secuencia
  • RNN en señales simples variables en el tiempo
  • Ejercicio – Detección básica de forma de onda

Módulo-11

  • Procesamiento del lenguaje natural (PNL)
  • Word incrustaciones
  • Word Vectores: Word2VEC
  • Word vectores: GloVe
  • Transferencia de conocimientos e incrustaciones de palabras
  • Análisis de sentimiento
  • Ejercicio – Análisis de sentimiento

Módulo-12

  • Cuantificación y eliminación del sesgo
  • Ejercicio – Eliminar el sesgo
  • Datos de audio
  • Búsqueda de haz
  • Modelo de atención
  • Reconocimiento de voz
  • Detección de palabras desencadenantes
  • Ejercicio – Speech Recognition

Requerimientos

No hay requisitos específicos necesarios para asistir a este curso.
 

  21 horas
 

Número de participantes


Comienza

Termina


Dates are subject to availability and take place between 09:30 and 16:30.
Los cursos de formación abiertos requieren más de 5 participantes.

Cursos Relacionados

Torch: Introducción a Máquina y Aprendizaje Profundo

  21 horas

Categorías Relacionadas