Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Programa del Curso
Día-1:
Básico Machine Learning
Módulo-1
Introducción:
- Ejercicio: instalación de Python y bibliotecas NN
- ¿Por qué el aprendizaje automático?
- Breve historia del aprendizaje automático
- El auge del aprendizaje profundo
- Conceptos básicos en machine learning
- Visualización de un problema de clasificación
- Límites de decisión y regiones de decisión
- IPython Cuadernos
Módulo-2
- Ejercicio – Regiones de decisión
- La neurona artificial
- La red neuronal, la propagación directa y las capas de red
- Funciones de activación
- Ejercicio – Funciones de activación
- Retropropagación del error
- Infraadaptación y sobreadaptación
- Interpolación y suavizado
- Extrapolación y abstracción de datos
- Generalización en el aprendizaje automático
Módulo-3
- Ejercicio – Ajuste insuficiente y sobreajustado
- Conjuntos de entrenamiento, pruebas y validación
- El sesgo de datos y el problema del ejemplo negativo
- Equilibrio sesgo/varianza
- Ejercicio: conjuntos de datos y sesgo
Módulo-4
- Descripción general de los parámetros e hiperparámetros NN
- Problemas de regresión logística
- Funciones de coste
- Ejemplo – Regresión
- Aprendizaje automático clásico vs. aprendizaje profundo
- Conclusión
Día-2: Convolucional Neural Networks (CNN)
Módulo-5
- Introducción a CNN
- ¿Qué son las CNN?
- Computer visión
- CNNs en la vida cotidiana
- Imágenes: píxeles, cuantificación de color y espacio, RGB
- Ecuaciones de convolución y significado físico, continuo vs. discreto
- Ejercicio – Convolución 1D
Módulo-6
- Base teórica para el filtrado
- Señal como suma de sinusoides
- Espectro de frecuencias
- Filtros de paso de banda
- Ejercicio – Filtrado de frecuencia
- Filtros convolucionales 2D
- Acolchado y longitud de zancada
- Filtrar como paso de banda
- Filtrar como coincidencia de plantilla
- Ejercicio – Detección de bordes
- Filtros Gabor para análisis de frecuencia localizada
- Ejercicio: filtros de Gabor como mapas de capa 1
Módulo-7
- Arquitectura de CNN
- Capas convolucionales
- Capas máximas de agrupación
- Reducción de capas de muestreo
- Abstracción de datos recursiva
- Ejemplo de abstracción recursiva
Módulo-8
- Ejercicio – Uso básico de CNN
- Dataset de ImageNet y el modelo VGG-16
- Visualización de mapas de entidades
- Visualización de significados de características
- Ejercicio: mapas de características y significados de entidades
Día-3: Modelo de secuencia
Módulo-9
- ¿Qué son los modelos de secuencia?
- ¿Por qué secuenciar modelos?
- Caso de uso de modelado de lenguaje
- Secuencias en el tiempo vs. secuencias en el espacio
Módulo-10
- RNN
- Arquitectura recurrente
- Retropropagación a través del tiempo
- Degradados que se desvanecen
- GRU
- LSTM
- RNN profundo
- RNN bidireccional
- Ejercicio – RNN unidireccional vs. bidireccional
- Secuencias de muestreo
- Predicción de salida de secuencia
- Ejercicio – Predicción de salida de secuencia
- RNN en señales simples variables en el tiempo
- Ejercicio – Detección básica de forma de onda
Módulo-11
- Procesamiento del lenguaje natural (PNL)
- Word incrustaciones
- Word Vectores: Word2VEC
- Word vectores: GloVe
- Transferencia de conocimientos e incrustaciones de palabras
- Análisis de sentimiento
- Ejercicio – Análisis de sentimiento
Módulo-12
- Cuantificación y eliminación del sesgo
- Ejercicio – Eliminar el sesgo
- Datos de audio
- Búsqueda de haz
- Modelo de atención
- Reconocimiento de voz
- Detección de palabras desencadenantes
- Ejercicio – Speech Recognition
Requerimientos
No hay requisitos específicos necesarios para asistir a este curso.
21 horas
