Encabezado Facultad de Ciencias
Presentación

Matemáticas Aplicadas (plan 2017) 2022-1

Octavo Semestre, Proyecto II

Grupo 6034, 30 lugares. 8 alumnos.
Profesor María Fernanda Sánchez Puig lu mi vi 13 a 14
Ayudante Sergio Miguel Fernández Martínez

 

Introducción a las redes neuronales y el aprendizaje profundo

El horario será Lunes, miercoles y viernes de 8-9am

Las redes neuronales son modelos paramétricos, que se asemejan vagamente a su contraparte biológica, consisten de estructuras compuestas por nodos interconectados y organizados en capas. Estas estructuras tienen la tarea de recibir información de un objeto de estudio y transformar sus rasgos en algo significativo. Estos modelos forman parte del campo de machine learning o aprendizaje automático, donde los métodos empleados en lugar de ser explícitamente programados se dice que son entrenados.

La rama de deep learning o aprendizaje profundo es un caso particular y más sofisticado de las redes neurolas. En esta rama, los modelos se conforma de redes neuronales a gran escala que extraen estructuras ocultas o atributos abstractos de la información dada.

En la última decada, el aprendizaje profundo ha obtendio un interés significativo por parte de ingenieros, académicos y el público en general, esto debido a que han sido utilizadas para construir sistemas de última generación para desempeñar múltiples tareas, como: clasificación de imágenes, reconocimiento de voz y aplicaciones tan sofisticadas, como manipulación de imágenes y videos.

Temario:

  1. Fundamentos de las redes neuronales.
    1. Arquitectura.
    2. Gradiente descendiente.
    3. Retropropagación de errores (Backpropagation).
    4. Métricas.
    5. Entrenamiento.
    6. Regularización
  2. Algoritmos para el aprendizaje con redes neuronales.
    1. Regresión lineal.
    2. Regresión logística.
    3. Clasificación binaria.
    4. Clasificación muticlase.
    5. Clustering.
  3. Introducción al aprendizaje profundo (Deep learning)
    1. Redes de convolusionales.
    2. Redes recurrentes.
    3. Autoencoders.
  4. Aplicaciones del aprendizaje profundo
    1. Visión por computadora.
    2. Procesamiento de lenguaje natural.
    3. Manejo de series de tiempo.

Objetivo:

Que los alumnos desarrollen un proyecto donde resuelvan algún problema de su interés usando herramientas relacionadas a las del curso.

Plan de trabajo:

  • En la primera parte del curso se expondran conceptos de cada tema.
  • En la segunda parte se harán sesiones de trabajo para desarrollar el proyecto de cada uno de los alumnos.

Requisitos:

Tener buenos fundamentos de:
  • Álgebra lineal.
  • Cálculo diferencial en una y varias variables.
  • Probabilidad.
  • Inferencia estadística.
  • Programación en Python 3.
Es deseable tener un poco de conocimiento en aprendizaje automático (Machine learning).

Herramientas:

  • Framework Pytorch.

Bibliografía:

  • Dawani, Jay. (2020). Hands-On Mathematics for Deep Learning. Packt Publishing

Nota:

Les mandamos una invitación a los estudiantes inscritos para que puedan acceder al classroom de la materia. Si no te llego, puedes acceder aquí.

 


Hecho en México, todos los derechos reservados 2011-2016. Esta página puede ser reproducida con fines no lucrativos, siempre y cuando no se mutile, se cite la fuente completa y su dirección electrónica. De otra forma requiere permiso previo por escrito de la Institución.
Sitio web administrado por la Coordinación de los Servicios de Cómputo de la Facultad de Ciencias. ¿Dudas?, ¿comentarios?. Escribenos. Aviso de privacidad.