DEEP LEARNING

ÁREA: TIC

MODALIDAD: Virtual

ESTADO: Cursando

Charla informativa:

INICIO: 11/04/2024 

FINALIZACIÓN: 28/11/2024

 

Conocé más sobre el programa en este video explicativo

El campo de la Inteligencia Artificial es un campo en constante evolución. Muchas de las herramientas que se brindarán en el programa pertenecen al estado del arte y son producto de recientes avances en este campo. El ITBA como Universidad de vanguardia, hace algunos años que ya está brindando conocimiento de este tipo en sus carreras de grado.

Realizar una certificación en esta área permitirá mantenerse actualizados en una tecnología que forma parte muy activa del presente, y sin dudas jugará un papel predominante en el futuro.

Objetivos del programa:

  • Establecer una comprensión clara de los algoritmos más importantes en el ámbito de Deep Learning.
  • Aplicar el conocimiento visto en clase a problemas específicos de relevancia para la industria.
  • Iniciar al alumno en una metodología de estudio alternativa y eficiente, a través de material online.
  • Vincular al alumno con herramientas de desarrollo de gran utilización en Deep Learning.

Habilidades que desarrollarás:

  •     Comprensión clara de los fundamentos de Deep Learning y sus aplicaciones en la industria y la academia.
  •     Capacidad para implementar soluciones de Deep Learning en la industria.
  •     A partir de una gran variedad de modelos estudiados, proponer soluciones innovadoras de Deep Learning en distintos ámbitos: Texto, Imágenes, Video, Datos Estructurados, Series Temporales, etc.

Perfil del participante

Este programa está fuertemente recomendado para todo el público independientemente de su formación académica ya que también sirven como repaso de temas que podrían haberse visto en una formación de grado. No se requieren conocimientos previos.

Con el fin de que alumnos principiantes puedan arribar a una comprensión profunda de las herramientas de Deep Learning, se darán dos módulos de introducción: “Introducción a Python” y “Probabilidad, Estadística y Álgebra en Python”. En el caso de que el estudiante se sienta cómodo con el temario de uno o ambos módulos, se puede rendir un exámen de equivalencia ya sea para entrar directamente a “Probabilidad, Estadística y Álgebra en Python” o al módulo específico de “Deep Learning”.

Conocimientos mínimos para cursar el programa:

  • Tener disponibilidad horaria semanal para trabajo asincrónico.
  • Nivel básico de inglés: entender inglés técnico y poder seguir una clase dictada en inglés (subtitulada en inglés).

Requisitos de aprobación: 

  • Asistencia igual o superior al 75% en cada uno de los módulos. Entregas de trabajos y evaluación final para aprobar cada módulo.

PLAN DE ESTUDIOS

Todos collapsables cerrados

Este accordion está para que todos los ítems permanezcan cerrados

Módulo I: Introducción a Python
  • Introducción a la programación. Tipos de lenguaje. Conceptos básicos de Python.
  • Tipos de datos. Listas. Diccionarios. Control de flujo:condicionales, ciclos. 
  • Funciones. 
  • Librerías. Modularización.
Módulo II: Laboratorio de Probabilidad y Estadística en Python
  • Anaconda. Introducción a pandas, matplotlib, python, jupyter y numpy. Jupyter notebooks. Ejemplos. Edición de scripts de python.
  • GIT: Utilización de repositorios. Python: Listas, Diccionarios, Loops, Funciones, Condicionales, Glob aplicados a conceptos matemáticos.
  • Uso avanzado de listas y diccionarios aplicados a conceptos matemáticos. Clases y objetos. Análisis de datos básico con numpy, matplotlib y pandas.
  • Introducción al Álgebra Lineal. Escalares, vectores y matrices. Operaciones vectoriales y matriciales. 
  • Bases, matrices de cambios de base. Autovalores y autovectores. Factorización de Matrices.
  • Vectores y Matrices en Python. Paquete Numpy. 
  • Probabilidad: Espacio muestral, frecuencia, frecuencia relativa, propiedades. Eventos mutuamente excluyentes, probabilidad marginal, eventos independientes, probabilidad condicional. Distribuciones de probabilidad. 
  • Distribuciones de probabilidad. Media, Varianza, Desvío Estándar. Entropía.
  • Teorema de Bayes Discreto. 
  • Teorema de Bayes Continuo. 
  • Aplicaciones de probabilidad en Python: Naive Bayes. Detección de SPAM.
Módulo III: Deep Learning
  • Regresión Lineal: Modelo, Función de costo y optimizador. 
  • Regresión Logística: Modelo, Función de costo y optimizador. Clasificación multiclase.
  • Introducción a Keras/Pytorch. 
  • Redes Neuronales.Perceptrón multicapa. 
  • Aplicaciones: MNIST, Fashion-MNIST
  • Ajuste de parámetros: Backpropagation.
  • Optimizadores: SGD, Momentos, RMSProp, Adam, Nadam. Cyclical Learning Rate. One Cycle Learning.
  • Perceptrón multicapa aplicado a NLP
  • Técnicas de regularización I
  • Técnicas de regularización II
  • Métodos de búsqueda de hiperparámetros
  • Entity Embeddings. Predicción de ventas en el problema de Rossmann.
  • Debugueo de modelos. Tensorboard. Callbacks de entrenamiento.
  • Introducción a Redes Convolucionales: Capas convolucionales, técnicas de regularización de Redes Convolucionales.
  • Arquitecturas de redes convolucionales para clasificación/regresión: AlexNet, VGG, ResNET, Inception, EfficienNet, etc.
  • Transfer Learning en redes convolucionales. Redes convolucionales en NLP.
  • Redes Recurrentes: SimpleRNN, GRU, LSTM
  • Algunos problemas de NLP utilizando Redes Recurrentes

CUERPO DOCENTE

Todos collapsables cerrados

Este accordion está para que todos los ítems permanezcan cerrados

Julián Ganzabal

Ingeniero Electrónico (ITBA) desarrollando tareas en el área de machine learning en la industria tales como sistemas de recomendación, ‘computer vision’ y ‘topic modeling’. Más de 10 años de experiencia docente en el ITBA y la UBA en materias relacionadas con procesos estocásticos, telecomunicaciones y networking.

Carlos Selmo

Ingeniero Electrónico (ITBA) desarrollando tareas en el área de procesamiento de señales y machine learning en el Grupo de Electrónica Digital Aplicada (GEDA). Profesor adjunto de materias en el área de procesamiento de señales, bio-electrónica y sistemas digitales. Entre ellas Redes Neuronales y Redes Neuronales en Bioingeniería.

MODALIDAD

Modalidad: Virtual
Mail de bienvenida: jueves 11 de abril
Primer sincrónico: jueves 18 de abril
Fin de curso: jueves 28 de noviembre
Cursada: jueves de 18 a 21 hs
Tutorías: viernes 18 a 19.30 hs
Titulación: Certificado Avanzado en Deep Learning

Las clases estarán focalizadas en avanzar hacia la finalización de un proyecto final que se irá componiendo con la implementación de entregas parciales semanales.

El abordaje de los temas será principalmente práctico e intuitivo. La idea general es que los alumnos ganen intuición y puedan desarrollar soluciones a problemas de Machine Learning y Deep Learning.

Proyectos:

La idea general es que los posibles proyectos apunten a implementar soluciones modernas (state of the art) a problemas de AI, e idealmente, terminen como proyectos de investigación

Se proponen a continuación algunos de los posibles proyectos:
● Reconocimientos de Imágenes (Computer vision) a través de redes neuronales convolucionales.
● Reconocimiento de voz (Speech recognition) a través de redes neuronales recurrentes y cadenas ocultas de markov.
● Procesamiento de lenguaje natural (Natural Language Processing).
● Sistemas de recomendación (Recommender Systems).
● Algoritmos de búsqueda y reinforced learning aplicado a resolver juegos.
● Filtros de kalman y localización.

Requisitos:
● Nivel básico de inglés: entender ingles técnico y poder seguir una clase dictada en inglés (subtitulada en inglés).

Para conocer más sobre el programa y/o avanzar con el proceso de inscripción completá el formulario de consulta de la Certificación Avanzada en Deep Learning