Loading...

Diplomatura en Deep Learning

ÁREA

TICS

MODALIDAD

Presencial

ESTADO

Inscripción abierta

REUNIÓN INFORMATIVA

28 / 02 / 2019

INICIO / FINALIZACIÓN

04 / 04 / 2019 al 21 / 11 / 2019

Educación ejecutiva

Tel: (+54 11) 3754-4843/4848

educacionejecutiva@itba.edu.ar

VER TODOS LOS PROGRAMAS

El campo de la Inteligencia Artificial es un campo en constante evolución. Muchas de las herramientas que se brindarán en la diplomatura 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 diplomatura 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 curso:

● Establecer una comprensión clara de los algoritmos más importantes en el ámbito de Machine 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 Machine Learning.

Plan de estudios

1. Introducción del curso:
a. Descripción general de la materia y objetivos
b. Mostrar ejemplos como motivación
i. Ejemplo de proyectos
ii. Aplicaciones para la industria
1. Discusión de propuestas de los alumnos
c. Kaggle
d. Análisis de datos con Python
i. Pandas
ii. Numpy
iii. Scipy
iv. Matplotlib (Holoviews)
v. Jupyter Notebook
e. Git
2. Repaso de probabilidad
3. Introducción a Machine Learning
a. Aprendizaje supervisado
i. Ejemplos con técnicas a utilizar en el curso
b. Aprendizaje no supervisado
i. Ejemplos con técnicas a utilizar en el curso
c. Reinforce learning
i. Ejemplos
4. Aprendizaje supervisado
a. Regresión Lineal
b. Gradient descent
c. Regresión Logística
d. Redes neuronales
i. Percepción simple
ii. Backpropagation
e. SVM
f. Matrix Factorization
i. SVD
ii. NMF
iii. Topic Modeling
iv. Language Models
5. Técnicas de regularización
a. Overfitting
b. Generalización
c. LASSO and Ridge, early stop
d. BIC, DIC, CV K-fold
6. Aprendizaje no supervisado
a. K-means
b. PCA
c. Redes neuronales
i. SOM
ii. Regla de Oja
iii. T-SNE
7. Sistemas de recomendación
a. Content-Based filtering
b. Collaborative filtering
i. User – User
ii. Item – Item
c. Evaluación y métricas

1. Convolución:
a. Fundamento teórico. Ejemplos en la vida diaria.
b. Convolución en audio.
c. Convolución en imágenes.
d. nterpretación.
2. Redes Neuronales Convolucionales (CNN)
a. Invariancia a la traslación
b. Arquitectura de una CNN
c. Convolución de imágenes 3-D
d. Conecciones residuales
e. Transfer learning, modelos preentrenados
f. Interpretación de las capas convolucionales
3. Detección de objetos en imágenes y videos
a. Arquitecturas
b. Generadores
c. Sliding Windows usando CNN
d. Anchor Boxes
e. YOLO v1, v2 y v3
f. Métodos de entrenamiento
4. Segmentación de imágenes
a. Planteamiento del problema
b. U-NET
c. U-NET con conecciones residuales

1. Redes Neuronales Recurrentes (RNN)
a. Topologías: Many to One, One to Many, Many to Many, Seq2Seq
b. Stateless y Statefull RNN
c. Simple RNN
d. Exploding y Vanishing Gradient
e. Ejemplos
2. Long Short Term Memory y Gated Recurrent Unit
a. Estructura interna
b. Clasificación de texto
c. Sentiment Analysis
d. Neural Translation Machines (Traductores)
3. Word Embeddings
a. Glove
b. Word2Vec
c. Aplicaciones
4. Bidirectional RNNs
a. Clasificación de Imágenes
b. NTM con WordEmbeddings
c. Attention
5. Image Captioning

1. Introducción
a. Modelo, Estado, Acción y Recompensa
2. Markov Decision Process
a. Política
b. Funciones de Valor (V y Q)
c. Optimización
3. Programación Dinámica
4. Método de Montecarlo
5. Temporal Difference Learning
6. Métodos de Aproximación
7. TD Lambda
8. Policy Gradient
9. Deep Q Learning
10. A3C

Cuerpo docente

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.

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

La diplomatura se da en una modalidad que también forma parte de la vanguardia educativa, que es la utilización de contenido multimedia que se encuentra en la nube y están protagonizados por la misma gente que ha generado los cambios más importantes en el área de IA, Machine Learning y 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).
● Manejar los conocimientos vinculados al programa ejecutivo “Laboratorio de Probabilidad y Estadística en Python” dentro de los cuales se incluyen:
● Probabilidad y Estadística
● Programación en Python
● Entorno anaconda, jupyter notebooks y paquete scipy
● Manejo de repositorios
● Álgebra Vectorial

En caso de tener dudas respeto a estos conocimientos, se recomienda realizar el programa “Laboratorio de Probabilidad y Estadística en Phyton” que podrán ver en el siguiente link: https://www.itba.edu.ar/postgrado/programas-ejecutivos/laboratorio-de-probabilidad-y-estadistica-en-python/

La diplomatura es de modalidad presencial, tiene una duración total de 102 horas. Se cursa los jueves de 18.30 a 21.30 hs.

Antes de inscribirte, enviá tu consulta desde nuestro formulario o comunicate por teléfono al (011) 3754 – 4848 / 4843