Curso Deep Learning 2ª Ed [Online]

15/07/2019 al 26/07/2019

El gran impulso tecnológico al que solemos referirnos bajo el término Big Data ha revolucionado el entorno empresarial. Por primera vez en la historia de la IA existe una demanda generalizada de sistemas con una inteligencia avanzada, equivalente a la de un humano, que sean capaces de procesar esos datos. En la actualidad estamos viendo como el Big Data prolifera rápidamente para abarcar todas las organizaciones y todos los sectores. Para ello necesitamos que las máquinas sean capaces de aprender de su propia experiencia. La disciplina del Aprendizaje Automático (Machine Learning) se ocupa de este reto.

Entender los algoritmos de aprendizaje es fácil si nos fijamos en cómo aprendemos nosotros mismos desde niños. El aprendizaje por refuerzo engloba un grupo de técnicas de aprendizaje automático que a menudo usamos en los sistemas artificiales bajo el nombre de Aprendizaje Supervisado (pues requiere de la intervención de los humanos para indicar qué está bien y qué está mal). Bajo el paradigma del aprendizaje no supervisado, los algoritmos son capaces de aprender sin intervención humana previa, sacando ellos mismos las conclusiones acerca de la semántica embebida en los datos.

El objetivo de este curso se centra en describir y descubrir el enfoque Deep Learning, en el cual se usan estructuras lógicas que se asemejan en mayor medida a la organización del sistema nervioso de los mamíferos, esto es, neuronas artificiales, que se especializan en detectar determinadas características existentes en los objetos percibidos. Estas características son más fácilmente descubiertas por la máquina que por el ojo humano.

Metodología docente

El curso tiene una carga académica similar a 2 ECTS, repartido en sesiones presenciales a distancia (síncrono) y trabajo individual autónomo (como actividad asíncrona) con un total de 40 horas.

Se imparte en horario de 8:30 a 13:30 (en horario de México) de lunes a viernes, los días 16 a 20 de julio de 2018. Se realizarán frecuentes descansos (aproximadamente cada 40 minutos) de corta duración (entre 5 y 10 minutos) de forma que no se pierda el ritmo de formación intensiva.

Las clases presenciales a distancia serán impartidas usando el sistema de videoconferencia ZOOM que permite distribuir como video la pantalla del docente, una pizarra interactiva, la imagen de cámara de los participantes, el audio de los micrófonos habilitados y por último el texto de un chat común. Todos estos recursos serán exportados desde ZOOM y compartidos en la plataforma eCampus. La plataforma contará con otros recursos adicionales a los contenidos del curso, así como herramientas de comunicación (mensajería y foros) y de calificación.

Durante las clases presenciales de teoría y prácticas junto con el docente siempre habrá la figura de un profesor monitor de la sala, para responder a preguntas que puedan surgir en el chat, así como a la necesidad de interrumpir y hacer una pregunta usando el sistema de audio local del Tecnológico de Monterrey.

Además, las sesiones prácticas se realizan en paralelo para los grupos A y B, de forma que se pueda reducir a la mitad el tamaño del grupo y los docentes puedan atender con mejor calidad a los participantes. Consúltese en la plataforma eCampus el grupo al que pertenece.

Para superar el curso es necesario obtener el 50% de la calificación otorgada por la realización de un trabajo práctico monitorizado, así como asistir al menos al 80% de las sesiones presenciales a distancia. Esta información será recogida y gestionada de forma automática por la plataforma eCampus, así como con hojas de firma en la sede local del Tecnológico de Monterrey. 

Contenidos Académicos

Parte teórica: (15 horas síncronas)

  1. Introducción: Redes neuronales y Deep Learning (1 h)
  2. Fundamentos de Optimización para Redes Neuronales: (2 h)
    1. Optimización clásica: clasificación linear, Loss Function, gradiente descendiente, back-propagation, activation functions.            
    2. Optimizaciones avanzadas: dropout, batch normalization            
  3. Software de Deep Learning (1 h)     
    1. Librerías de software de Deep Learning
    2. Software Tensor Flow
  4. Modelos de Redes Neuronales Convolucionales (CNNs) (5 h)     
    1. Operaciones de convolución y pooling. Capa Fully Connected (1 h)
    2. Revisión de los modelos/hitos de CNNs. Revisión de la arquitectura de AlexNet, GoogleNet, Inception v3, ResNet, DenseNet, Inception-ResNet (1 h)
    3. Preprocesamiento de datos: (3 h)
      1. Transfer Learning                
      2. Data Augmentation
      3. Caso de estudio 1: Clasificación de imágenes submarinas de corales
  5. Modelos de detección de objetivos en imágenes basados en CNNs: (3 h)
    1. ¿Qué es un modelo de detección?   (30 m)
    2. El estado del arte en modelos de detección: fastRCNN y modelos (30 m)
      1. Competición Imagenet
    1. Algoritmos de selección de regiones (45 m)
      1. Clásico Sliding Window
      1. YOLO Region Proposals
      1. SSD (extensión de YOLO)
      1. RPN (FASTER, RFCN)         
    1. Funcionamiento del modelo de detección en conjunto: (25 m)
      1. Comparativa de modelos (Estrella)
    1. Caso de estudio 2: Detección de armas en videos (35 m)                          
    1. Caso de estudio 3: Detección de especies de plantas en imágenes de satélite (15 m)
  6. Modelos Recurrent NNs (3 h)         
    1. Aspectos teóricos, celdas RNN, celdas LSTM (90 m)
    2. Caso de estudio 4: Desambiguación de palabras en el análisis de              opiniones (90 m)

Parte práctica: (10 horas síncronas)

  • P1 Python (1 h)
  • P2 Aspectos técnicos de Keras (1 h) 
  • P3 Redes Neuronales NN (2 h)        
  • P4 Ejercicios con CNN: Clasificación multi-clase, Transfer Learning y Data Augmentation (2 h)
  • P5 Ejercicios con CNN: detección de dos clases (2 h)
  • P6 Redes Recurrentes NN (2 h)

Trabajo práctico monitorizado (15 horas de trabajo individual asíncrono).

Entornos de computación

Todo el software y los entornos de cálculo son proporcionados por el Instituto Interuniversitario Andaluz en Data Science and Computational Intelligence (DaSCI). Las credenciales de acceso y las instrucciones para su uso serán dadas en clase y con materiales desde la plataforma eCampus.

Evaluación

Es obligatoria la asistencia al 80% de las sesiones síncronas y la entrega del trabajo práctico monitorizado.