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