Fundamentos de Deep Learning
Fundamentos de Deep Learning

Curso online - las clases quedan grabadas
Lunes y martes de 18.30 a 21.30, hora de Buenos Aires, Argentina GMT-3
Comienzo: Lunes 5 de septiembre
Es un curso de tres meses

Arancel del curso

Para Argentina: AR$ 36.000 - Forma de pago:3 cuotas de AR$12.000 - en octubre se abona la cuota 3
Precio en dólares: U$S 397 - Forma de pago: Paypal

Acerca de este Programa Especializado

La especialización en aprendizaje profundo es un programa fundamental que te ayudará a comprender las capacidades, los desafíos y las consecuencias del aprendizaje profundo y te preparará para participar en el desarrollo de tecnología de inteligencia artificial de vanguardia.

En esta especialización, crearás y entrenarás arquitecturas de redes neuronales y aprenderás a mejorarlas con estrategias como Dropout, BatchNorm, inicialización de Xavier/He, y más. Preparate para dominar los conceptos teóricos y sus aplicaciones industriales con Python y TensorFlow y abordar casos del mundo real como reconocimiento de voz, síntesis de música, chatbots, traducción automática, procesamiento de lenguaje natural y más.

La IA está transformando muchas industrias. La Especialización en Aprendizaje Profundo te proporciona un camino para que des el paso definitivo en el mundo de la IA ayudándote a adquirir el conocimiento y las habilidades para subir de nivel en tu carrera. En el camino, también recibirás consejos profesionales de expertos en aprendizaje profundo de la industria y la academia.

Cursos en este Programa Especializado


CURSO 1 - Redes neurales y aprendizaje profundo

En el primer curso de la especialización en aprendizaje profundo, estudiarás el concepto fundamental de las redes neuronales y el aprendizaje profundo.

Al final, estarás familiarizado con las importantes tendencias tecnológicas que impulsan el auge del aprendizaje profundo; construir, entrenar y aplicar redes neuronales profundas completamente conectadas; implementar redes neuronales eficientes (vectorizadas); identificar parámetros clave en la arquitectura de una red neuronal; y aplicar el aprendizaje profundo a tus propias aplicaciones.

La especialización en aprendizaje profundo es nuestro programa fundamental que te ayudará a comprender las capacidades, los desafíos y las consecuencias del aprendizaje profundo y te preparará para participar en el desarrollo de tecnología de inteligencia artificial de vanguardia. Proporciona un camino para que obtengas el conocimiento y las habilidades para aplicar el aprendizaje automático a tu trabajo, subir de nivel en tu carrera técnica y dar el paso definitivo en el mundo de la IA.


CURSO 2 - Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization

En el segundo curso de la Especialización en aprendizaje profundo, abrirás la caja negra del aprendizaje profundo para comprender los procesos que impulsan el rendimiento y generan buenos resultados de manera sistemática.

Al final, aprenderás las mejores prácticas para entrenar y desarrollar conjuntos de prueba y analizar sesgo/varianza para crear aplicaciones de aprendizaje profundo; serás capaz de utilizar técnicas estándar de redes neuronales, como inicialización, L2 y regularización dropout, ajuste de hiperparámetros, normalización por lotes y verificación de gradiente; implementar y aplicar una variedad de algoritmos de optimización, como descenso de gradiente de mini lotes, Momentum, RMSprop y Adam, y verificar su convergencia; e implementar una red neuronal en TensorFlow.

CURSO 3 - Structuring Machine Learning Projects

En el tercer curso de la especialización en aprendizaje profundo aprenderás a crear un proyecto de aprendizaje automático exitoso y practicarás la toma de decisiones como líder de un proyecto de aprendizaje automático.

Al final, podrás diagnosticar errores en un sistema de aprendizaje automático; priorizar estrategias para reducir errores; comprender configuraciones complejas de ML, como conjuntos de entrenamiento/prueba no coincidentes, y comparar y/o superar el rendimiento a nivel humano; y aplicar el aprendizaje de extremo a extremo, el aprendizaje por transferencia y el aprendizaje multitarea.

Este también es un curso independiente para estudiantes que tienen conocimientos básicos de aprendizaje automático. Este curso se basa en la experiencia de Andrew Ng en la creación puesta en producción de muchos productos de aprendizaje profundo. Si aspirás a convertirte en un líder técnico que pueda marcar la dirección de un equipo de IA, este curso proporciona la "experiencia en la industria" que de otro modo podrías obtener solo después de años de experiencia laboral en ML.

TEMARIO

1 - Introducción a la Inteligencia Artificial

¿Cómo llegamos hasta acá?
Inteligencia Artificial y data Science
Machine Learning y Deep Learnning
Aprendizaje supervizado y no supervisado
Aprendizaje reforzado
Aprendizaje autosupervisado
Problemas de Clasificación y de regresión
Clustering

2 - Introducción a Deep Learning
Análisis de las principales tendencias que impulsan el auge del aprendizaje profundo y ejemplos de dónde y cómo se aplica en la actualidad.


- Bienvenida
- ¿Qué es una Red Neuronal?
- Aprendizaje Supervisado con Redes Neuronales
- ¿Por qué está despegando el aprendizaje profundo?

3 - Neural Networks Basics
Configuración de un problema de aprendizaje automático con una mentalidad de red neuronal y uso de la vectorización para acelerar los modelos.

Clasificación binaria
Regresión logística
Función de costo de regresión logística
Descenso de gradiente
Derivadas
Más ejemplos de derivados
Grafos
Derivadas con un grafo
Descenso de gradiente de regresión logística
Descenso de gradiente en m ejemplos
Vectorización
Más ejemplos de vectorización
Vectorización de la regresión logística
Vectorización de la salida de gradiente de la regresión logística
Bradcasting en Python
Una nota sobre los vectores Python/Numpy
Recorrido rápido por los Jupyter notebook
Explicación de la función de costo de regresión logística

4 - Shallow Neural Networks
Creación una red neuronal con una capa oculta, usando propagación hacia adelante y hacia atrás.

Descripción general de las redes neuronales
Representación de redes neuronales
Cálculo de la salida de una red neuronal
Vectorizar a través de múltiples ejemplos
Explicación para la implementación vectorizada
Funciones de activación
¿Por qué se necesitan funciones de activación no lineales?
Derivadas de funciones de activación
Descenso de gradiente para redes neuronales
(opcional)
Inicialización aleatoria

5 - Deep Neural Networks
Análisis de los cálculos clave que subyacen al aprendizaje profundo utilizados para construir y entrenar redes neuronales profundas para tareas de visión artificial.

Red neuronal profunda de L capas  
Propagación hacia adelante en una red profunda
Dimensiones correctas de la matriz
¿Por qué representaciones profundas?
Elementos básicos de las redes neuronales profundas
Propagación hacia adelante y hacia atrás
Parámetros vs hiperparámetros
¿Qué tiene que ver esto con el cerebro?

6 - Practical Aspects of Deep Learning
Descubrir y experimentar con una variedad de diferentes métodos de inicialización, aplicar la regularización L2 y el dropout para evitar el sobreajuste del modelo, luego aplicar la verificación de gradiente para identificar errores en un modelo de detección de fraude.

Conjuntos de entrenamiento/desarrollo/prueba
Sesgo / Varianza
Receta básica para el aprendizaje automático
Regularización
¿Por qué la regularización reduce el sobreajuste?
Regularización dropout
Comprender dropout
Otros métodos de regularización
Normalización de entradas
Gradientes que se desvanecen / explotan
Inicialización de peso para redes profundas
Aproximación numérica de gradientes
Comprobación de gradiente
Notas de implementación de la comprobación de gradientes

7 - Optimization Algorithms
Desarrollo de la caja de herramientas de aprendizaje profundo agregando optimizaciones más avanzadas, mini lotes aleatorios y programación de caída de la tasa de aprendizaje para acelerar los modelos.

Descenso de gradiente de mini lotes
Descripción del descenso de gradiente de minilotes
Promedios ponderados exponencialmente
Comprender los promedios ponderados exponencialmente
Corrección de sesgo en promedios ponderados exponencialmente
Descenso de gradiente con impulso
RMSprop
Algoritmo de optimización de Adam
Decaimiento de la tasa de aprendizaje
El problema de los óptimos locales

8 - Hyperparameter Tuning, Batch Normalization and Programming Frameworks
Exploración de TensorFlow, un marco de aprendizaje profundo que permite crear redes neuronales de forma rápida y sencilla y luego entrenar una red neuronal en un conjunto de datos de TensorFlow.

Proceso de sintonización
Uso de una escala adecuada para elegir hiperparámetros
Ajuste de hiperparámetros en la práctica: Pandas vs. Caviar
Normalización de activaciones en una red
Ajuste de la norma por lotes en una red neuronal
¿Por qué funciona Batch Norm?
Norma de lote en el momento de la prueba
Regresión Softmax
Entrenamiento de un clasificador Softmax
Marcos de aprendizaje profundo
TensorFlow

9 - ML Strategy - Parte 1
Agilizar y optimizar el flujo de trabajo de producción de ML mediante la implementación de directrices estratégicas para el establecimiento de objetivos y la aplicación de un rendimiento a nivel humano para ayudar a definir las prioridades clave.

¿Por qué la estrategia de ML?
Ortogonalización
Métrica única de evaluación
Métricas de satisfacción y de optimización
Distribuciones de entrenamiento/desarrollo/prueba
Tamaño de los conjuntos de desarrollo y prueba
¿Cuándo cambiar los conjuntos de desarrollo/prueba y las métricas?
¿Por qué rendimiento a nivel humano?
Sesgo evitable
Comprender el rendimiento a nivel humano
Superando el rendimiento a nivel humano
Mejorar el rendimiento del modelo

10 - ML Strategy - Parte 2
Desarrollo de procedimientos de análisis de errores que ahorren tiempo para evaluar las opciones que más valen la pena buscar y ganar intuición sobre cómo dividir los datos y cuándo usar multitarea, transferencia y aprendizaje profundo de extremo a extremo.

Realización de análisis de errores
Limpieza de datos etiquetados incorrectamente
Construí tu primer sistema rápidamente, después iterá
Entrenamiento y Pruebas en Diferentes Distribuciones
Sesgo y varianza con distribuciones de datos no coincidentes
Abordar la falta de coincidencia de datos
Transferencia de aprendizaje
Aprendizaje multitarea
¿Qué es el aprendizaje profundo de extremo a extremo?
Cuándo usar el aprendizaje profundo de extremo a extremo

11 - Aplicaciones en tensorflow

Como cada cosa que vimos en detalle es una línea en Tensorflow
Uso de callbacks para controlar el entrenamiento

12 - Introducción a Computer Vision

Filtros, stride, padding y pooling
¿Porqué convoluciones?
El algoritmo Yolo, un caso práctico

Hay clases teóricas y prácticas.
Son clases en español vía zoom.
Las clases quedarán grabadas.
Incluye los certificados de Coursera

Docentes: Omar Fazzito, Ariel Alegre y Emiliano Passarello
Sign in to Google to save your progress. Learn more
Email *
Apellido *
Nombres *
Celular (Solo números) *
Localidad de residencia *
País de residencia *
¿Sos Graduado FIUBA? *
Comentarios y Sugerencias *
¿Cómo llegaste hasta acá? *
Submit
Clear form
Never submit passwords through Google Forms.
This form was created inside of Centro de Graduados de la Facultad de Ingenieria. Report Abuse