Aprendizaje Profundo para la arquitectura y la ingeniería (2ª edición)

0,00

El alumno, al finalizar el curso, estará familiarizado con las técnicas basadas en Deep Learning que se usan hoy en día para resolver todo tipo de problemas, y podrá usarlas para abordar los suyos propios.

Impartido por:
Universidad Politécnica de Madrid

Ver carrito

Curso de entrenamiento de modelos de Deep Learning para la resolución de diferentes tipologías de problemas que requieran un enfoque inteligente.
El aprendizaje profundo (DL, del inglés Deep Lerarning) es un enfoque dentro del ML que es capaz de desarrollar modelos mucho más potentes, capaces de aprender con cantidades masivas de datos, y de dar respuesta a problemas mucho más complejos, como la traducción de idiomas en tiempo real, en un
tono de voz específico y sobre una cara de una persona… ¡que en realidad no existe!
No sólo eso, sino que estos modelos con capaces de simular procesos y sistemas complejos con mucha menos capacidad de cómputo, por lo que son una herramienta estupenda para disciplinas que trabajan sobre estas áreas.

Duración: 75 horas (10 semanas)

Inicio: 5 de febrero 2024
Fin: 14 de abril 2024

Destinatarios:

Estudiantes técnicas con interés en el área del aprendizaje profundo y con conocimientos del lenguaje de programación Python y algunas de sus bibliotecas básicas, como jupyter.f

Conocimientos recomendados:

Es requisito extremadamente recomendable que el estudiante conozca el lenguaje de programación Python.
Será recomendable que el alumno trabaje sobre un sistema operativo Debian GNU/Linux o derivado, ya que son los sistemas operatovos con los que menos problemas existen a la hora de trabajar. El uso de una tarjeta gráfica de la serie NVIDIA no es requisito, aunque en algunos casos es interesante para entender las limitaciones con las que nos podemos encontrar con estos modelos. El alumno, al finalizar el curso, estará familiarizado con las técnicas basadas en Deep Learning que se usan hoy en día para resolver todo tipo de problemas, y podrá usarlas para abordar los suyos propios.

Objetivos:

Adquirir amplios conocimientos del Deep Learning y sus aplicaciones más comunes.
Implementar diferentes modelos con la sintaxis del lenguaje de programación de Python y Tensorflow.
Aprender y analizar cómo entrenar los modelos de Deep Learning.
Aplicar a problemas del mundo real modelos de Deep Learning.

Contenido:

  • Módulo 0
    Presentación
  • Módulo 1.
    Introducción: ¿Qué es el Deep Learning? Características, ventajas, inconvenientes e introducción a las diferentes técnicas y aplicaciones
  • Módulo 2.
    Redes Neuronales Profundas: ¿Qué son las redes neuronales? ¿Cómo se estructuran y qué quiere decir este concepto de “profundidad”?
  • Módulo 3.
    Redes de convolución: Topología y funcionamiento diferentes para dar lugar a redes más eficientes en tareas de reconocimiento de patrones espaciales
  • Módulo 4
    Redes recurrentes: Redes retroalimentadas y el impacto de la memoria para el trabajo sobre datos que involucran series temporales
  • Módulo 5
    Transformers: En qué consiste esta nueva vuelta de tuerca que está revolucionando todas las áreas de aplicación
  • Módulo 6
    Redes generativas adversariales: Arquitecturas que permiten “crear” nuevos datos
  • Módulo 7
    Despliegue: Opciones, ventajas e inconvenientes de diferentes aproximaciones. MLOps y su importancia en la implantación de modelos en producción

Profesores:
La trayectoria académica y profesional del equipo docente están íntimamente relacionados con la IA, y durante la última década han trabajado en espacial en el área de aprendizaje profundo, integrada en el área del aprendizaje automático. Sus investigaciones abarcan un amplio espectro de aplicaciones: optimización de procesos industriales, generación dinámica de información, reconocimiento de patrones, conducción autónoma y conectada, etcétera. Las tecnologías de la IA no son más que herramientas que se pueden aplicar a prácticamente cualquier otra área.

Alberto Díaz Álvarez

Profesor de la Escuela Técnica Superior de Ingeniería de Sistemas Informáticos (Universidad Politécnica de Madrid) y Doctor Ingeniero Informático en el programa de Inteligencia Artificial, también en la UPM. Es integrante del grupo de investigación Mercator y colabora con el Instituto Universitario de Investigación del Automóvil (INSIA) en proyectos relacionados con el Deep Learning y los ITS.

Edgar Talavera Muñoz

Profesor en la Escuela Técnica Superior de Ingenieros de Sistemas Informáticos de la Universidad Politécnica de Madrid (UPM). Doctorado en Informática y Tecnología para las Smartcities con la calificación de Cum Laude y la excelencia del Doctorado Internacional, además del premio al mejor doctorado del curso 2017/2018 de la Universidad Politécnica de Madrid (UPM). Destaca su experiencia investigadora, incorporándose como investigador al Instituto Universitario de Investigación del Automóvil (INSIA), donde participa en diversos proyectos internacionales y publica distintos trabajos en el área. Sus líneas de investigación se han ampliado desde su incorporación a la UPM como profesor de la Escuela Técnica Superior de Informática de Sistemas en 2018 con varios proyectos de Deep Learning aplicados a áreas como la ciberseguridad, las telecomunicaciones o el procesamiento de imágenes para la detección de objetos.

Guillermo Iglesias Hernández)

Estudiante de doctorado en la Escuela Técnica Superior de Ingenieros de Sistemas Informáticos de la Universidad Politécnica de Madrid (UPM) y profesor en el Centro Universitario de Tecnología y Arte Digital (U-TAD). Graduado en Ingeniería del Software y graduado en Tecnologías para la Sociedad de la Información, además de Máster en Inteligencia Artificial. Destaca su actividad investigadora, especialmente centrada en el campo de las Redes Neuronales Artificiales, la visión por computador y los sistemas generativos. .

 

Valoraciones

No hay valoraciones aún.


Solo los usuarios registrados que hayan comprado este producto pueden hacer una valoración.

Información del vendedor