Introducción a las Redes Neuronales y Aprendizaje Profundo

Objetivos

El objetivo del curso es que los alumnos adquieran habilidades básicas para diseñar y utilizar modelos generados a través de técnicas de aprendizaje de máquina, en particular, las que se conocen como Deep Learning. Para esto se estudiarán los modelos matemáticos detrás de estas técnicas, las formas de evaluación comúnmente usadas, y las herramientas que actualmente se utilizan en la industria e investigación. El curso cubre las técnicas más comunes de Deep Learning, así como técnicas asociadas a Machine Learning y análisis de datos.

Imagen de portada

Las redes neuronales tiene muchas aplicaciones, desde la clasificación de texto e imágenes hasta la conducción de vehículos autónomos. Incluso, existen aplicaciones artísticas como la composición automática de música o imágenes. La imagen de portada de esta página está generada con una de estas técnicas conocida como "transferencia de estilo" (ver: A Neural Algorithm of Artistic Style) que consiste en utilizar el estado interno de una red neuronal cuando es aplicado sobre una imagen para conocer propiedades del estilo y tratar de ajustar estas propiedades a otra imagen, llamada imagen de contenido. En la imagen a continuación, se muestra esquemáticamente el proceso.

Cursada

Cursada durante el segundo cuatrimestre.

Desde el 10 de septiembre hasta el 29 de octubre. Lunes 9:00hs. Laboratorio ISISTAN

Formulario de pre-inscripción.

Docente

  • Dr. Juan Manuel Rodriguez

GitHub - Material

El material de la materia se encuentra en: https://github.com/knife982000/DeepLearningUnicen

Trabajo Final de la materia e información de contacto

Inscripción para el trabajo final: Formulario

Para la entrega del trabajo se espere:

  • Notebook o Script Python de entrenamiento.
  • Archivo h5/formato seleccionado con el modelo entrenado.
  • Notebook o Script Python de testing.
  • Informe describiendo:
    • el problema,
    • link al dataset,
    • si investigó como se han resuelto problemas similares (altamente recomendable) incluir un breve relevamiento de la literatura ,
    • arquitecturas de la NN propuestas,
    • métricas de evaluación seleccionadas,
    • resultados,
    • conclusiones.

Nota: Para buscar trabajos relacionados considere utilizar https://scholar.google.com, https://www.sciencedirect.com/, https://ieeexplore.ieee.org/Xplore/home.jsp. La mayoría del material se puede acceder utilizando los proxy de la universidad (proxy.exa.unicen.edu.ar:8080 o proxy-campus.unicen.edu.ar:8080).

Nota 2: Recuerde siempre citar las fuentes.

Fecha tentativa de entre: 15 de diciembre 2018. Se considerarán extensiones en base a los casos particulares.

Mail de contacto por consultas de la materia: intrornap@alumnos.exa.unicen.edu.ar