Computer Vision - Redes Neuronales Convolucionales
Computer Vision - Redes Neuronales Convolucionales
Horario: sábados de 14 a 18
Horas: 16, en cuatro clases de cuatro horas
Comienzo: Sábado 7 de marzo
LUGAR: sede Lima (Lima e Hipólito Yrigoyen)

HIPÓLITO YRIGOYEN 1144 - PRIMER PISO - OFICINA 3

ARANCEL DEL CURSO: $4.900
Precio abonando antes del 29 de febrero: $3.900

Programa especializado Aprendizaje profundo

Acerca de este Programa Especializado

Si te interesa incursionar en el mundo de la Inteligencia Artificial, este ciclo de cursos te ayudará a hacerlo. Deep Learning es una de las habilidades más requeridas en el área de la tecnología. Te ayudaremos a ser un Sr. Engineer en Deep Learning. Aprenderás los fundamentos de Deep Learning, aprenderás cómo construir redes neuronales y a liderar proyectos de aprendizaje automático exitosamente. Aprenderás a implementar Redes convolucionales, Recurrentes y LSTM, técnicas como Adam, Dropout, BatchNorm y más.

Trabajaremos en casos de estudio de medicina, autos autónomos, lectura de lenguaje de señas, generación de música y procesamiento de lenguaje natural. Adquirirás un nivel de maestría no solo en la teoría, sino también cómo se aplica en la industria.Enseñaremos Python, TensorFlow y Keras y practicaremos todas esas ideas en dichas herramientas.Varios líderes de primer nivel en Deep Learning compartirán contigo sus historias personales y te darán consejos sobre el desarrollo de tu carrera profesional.



Redes Neuronales Convolucionales

En este curso verás cómo construir redes neuronales convolucionales y aplicarlas a imágenes. Gracias a deep learning, computer vision está trabajando mucho mejor que hace unos pocos años y está abriendo el camino para un rango de numerosas y desafiantes aplicaciones como autos autónomos, reconocimiento facial y diagnósticos por imágenes.

OBJETIVOS DE APRENDIZAJE

- Entender cómo construir una CNN, incluyendo variantes como residual networks.
- Saber cómo aplicar CNN a detección visual y tareas de reconocimiento
- Saber usar neural style transfer para generar arte.
- Ser capaz de aplicar estos algoritmos a variedades de imágenes, video y otros datos 2D y 3D

PROGRAMA

SEMANA 1

Redes Neuronales Convolucionales

- Computer Vision
- Detectores de borde
- Padding
- Stride
- Convolutions Over Volume
- Una capa de convolución
- Simple Convolutional Network Example
- Pooling Layers
- CNN Example
- Porqué convoluciones

SEMANA 2

Casos de estudio

- Porqué casos de estudio
- Redes clásicas
- ResNets
- Convoluciones de 1x1
- Inception Network

Consejos prácticos para usar CNNs

- Implementaciones Open-Source
- Transfer Learning
- Data Augmentation
- El estado del arte de Computer Vision

SEMANA 3

Algoritmos de detección

- Object Localization
- Landmark Detection
- Object Detection
- Convolutional Implementation of Sliding Windows
- Bounding Box Predictions
- Intersection Over Union
- Non-max Suppression
- Anchor Boxes
- El algoritmo YOLO
- Region Proposals

SEMANA 4

Face Recognition

- Qué es face recognition
- One Shot Learning
- Siamese Network
- Triplet Loss
- Face Verification and Binary Classification

Neural Style Transfer

- Qué es neural style transfer
- Qué están aprendiendo las ConvNets
- Función de Costo- Content Cost Function
- Style Cost Function
- Generalizaciones 1D y 3D


Sobre el docente: Ing. Ariel Alegre.

Ing. Civil de la UBA, especializado en Ing. de Sistemas. Es profesor en disciplinas industriales - PDI - UTN
Creador de la Tecnicatura Superior en Desarrollo de Software.
Presidente fundador del Centro de Graduados FIUBA y director de cursos de dicha institución.
Se ha especializado hace tres años en el campo de la Inteligencia Artificial.
Cursó las especializaciones en Deep Learning y Tensorflow in Practice de Coursera.
Presidente de la Cooperativa de Trabajo BackPropagation Limitada.
Email address *
Apellido *
Your answer
Nombres *
Your answer
Celular (Solo números) *
Your answer
¿Es Graduado FIUBA? *
¿Te interesa participar en la cooperativa de trabajo?
Otra casilla de correo
Your answer
Teléfono Particular
Your answer
Carrera - Facultad - Universidad (En curso SI/NO)
Your answer
Año de Graduación
Your answer
Institución Relacionada
Your answer
Posición que ocupa
Your answer
Comentarios y Sugerencias
Your answer
Submit
Never submit passwords through Google Forms.
This content is neither created nor endorsed by Google. Report Abuse - Terms of Service - Privacy Policy