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
El curso se divide en tres días separados, siendo el tercer día opcional.
Jour 1 - Machine Learning & Deep Learning : concepts théoriques
1. Introducción IA, Machine Learning y Deep Learning
- Historia, conceptos fundamentales y aplicaciones habituales de la inteligencia artificial alejadas de las fantasías que conlleva este campo
- Inteligencia colectiva: agregación de conocimiento compartido por muchos agentes virtuales
- Algoritmos genéticos: evolución de una población de agentes virtuales por selección
- Machine Learning Usuel: Definición.
- Tipos de tâches : aprendizaje supervisado, aprendizaje no supervisado, aprendizaje por refuerzo
- Tipos de acciones : clasificación, regresión, agrupamiento, estimación de densidad, reducción de dimensión
- Exemples d'algorithmes Machine Learning : Régression linéaire, Naive Bayes, Random Tree
- Machine learning VS Deep Learning: problemas en los que el Machine Learning sigue siendo el estado del arte hoy en día (Random Forests & XGBoosts)
2. Conceptos fundamentales de una red neuronal (Aplicación: Perceptrón multicapa)
- Recordatorio de los fundamentos de las matemáticas.
- Definición de una red neuronal: arquitectura clásica, funciones para activar y ponderar activaciones anteriores, profundidad de una red
- Definición de aprendizaje de redes neuronales: funciones de coste, retropropagación, descenso de gradiente estocástico, máxima verosimilitud.
- Modelado de una red neuronal: modelado de datos de entrada y salida según el tipo de problema (regresión, clasificación, etc.). Maldición de la dimensionalidad. Distinción entre datos multifunción y señal. Elección de una función de coste basada en los datos.
- Aproximación de una función mediante una red neuronal: presentación y ejemplos
- Aproximación a una distribución por una red neuronal: presentación y ejemplos
- Aumento de datos: cómo equilibrar un conjunto de datos
- Generalización de los resultados de una red neuronal.
- Inicializaciones y regularizaciones de una red neuronal: regularización L1/L2, Batch Normalization, etc.
- Optimizaciones y algoritmos de convergencia.
3. Herramientas comunes de ML/DL
Se planifica una presentación sencilla con ventajas, desventajas, posición en el ecosistema y uso.
- Herramientas de gestión de datos: Apache Spark, Apache Hadoop
- Herramientas comunes Machine Learning: Numpy, Scipy, Sci-kit
- Marcos de aprendizaje a distancia de alto nivel: PyTorch, Keras, Lasagna
- Frameworks DL bas niveau : Theano, Torch, Caffe, Tensorflow
Día 2 - Redes convolucionales y recurrentes
4. Convolucional Neural Networks (CNN).
- Introducción a las CNN: Fundamentos y aplicaciones
- Funcionamiento fundamental de una CNN: capa convolucional, uso de un kernel, padding & stride, generación de mapas de características, capas de agrupación. Extensiones 1D, 2D y 3D.
- Presentación de las diferentes arquitecturas CNN que han aportado el estado del arte en clasificación de imágenes: LeNet, VGG Networks, Network in Network, Inception, Resnet. Presentación de las innovaciones aportadas por cada arquitectura y sus aplicaciones más globales (1x1 convolución o conexiones residuales)
- Uso de un modelo de atención.
- Aplicación a un escenario de clasificación común (texto o imagen)
- CNNs para generación: segmentación de píxel a píxel de superresolución. Presentación de las principales estrategias para aumentar los mapas de características para la generación de imágenes.
5. Recurrente Neural Networks (RNN).
- Presentación de RNNs: principios fundamentales y aplicaciones.
- Fonctionnement fondamental du RNN : activación oculta, retropropagación a través del tiempo, versión desplegada.
- Evoluciones hacia GRU (Unidades Recurrentes Cerradas) y LSTM (Memoria a Corto Plazo). Presentación de los diferentes estados y evoluciones que han traído estas arquitecturas
- Problemas de convergencia y desaparición de gradientes
- Tipos de arquitecturas clásicas: Predicción de una serie temporal, clasificación, etc.
- Arquitectura del decodificador RNN Encoder. Utilizando un modelo de atención.
- Aplicaciones NLP: codificación de palabras/caracteres, traducción.
- Aplicaciones de vídeo: Predice el siguiente fotograma generado de una secuencia de vídeo.
Día 3 - Modelos generacionales y Reinforcement Learning
6. Modèles générationnels : Variational AutoEncoder (VAE) et Generative Adversarial Networks (GAN).
- Presentación de modelos generacionales, vinculación con CNNs vistos en el día 2
- Autocodificación: reducción de dimensionalidad y generación limitada
- Autocodificador variacional: modelo generacional y aproximación de la distribución de un dato. Definición y uso del espacio latente. Truco de reparametrización. Aplicaciones y limitaciones observadas
- Redes generativas adversarias: Fundamentos. Arquitectura de dos redes (generador y discriminador) con aprendizaje alterno, funciones de costo disponibles.
- Convergencia de una GAN y dificultades encontradas.
- Convergence améliorée : Wasserstein GAN, BeGAN. Distancia de movimiento de la Tierra.
- Aplicaciones de generación de imágenes o fotografías, generación de textos, super- resolución.
7. Profundo Reinforcement Learning.
- Introducción al aprendizaje por refuerzo: control de un agente en un entorno definido por un estado y posibles acciones
- Uso de una red neuronal para aproximar la función de estado
- Deep Q Learning : experience replay, et application au contrôle d'un jeu vidéo.
- Optimisations de la politique d'apprentissage. Dentro y fuera de la política. Actor crítico de arquitectura. A3C.
- Aplicaciones: Controla un simple videojuego o sistema digital.
Requerimientos
Nivel de ingeniero
21 horas
