Deep Learning Aplicado

CURSO DE ESPECIALIZACIÓN EN CIENCIA DE DATOS
DEEP LEARNING APLICADO

PROCESAMIENTO Y ANÁLISIS DE IMÁGENES
• Casos aplicados y despliegue de modelos Deep Learning.
DESCRIPCIÓN
La 4ta revolución industrial se está manifestando en nuestro entorno a través del desarrollo de
tecnologías y tendencias disruptivas como Inteligencia Artificial (IA), Internet de las cosas (IoT),
Robótica y Realidad Virtual (VR), lo cual está remodelando la forma de hacer negocios, la
educación, la medicina, el comercio y casi todos los aspectos de la vida que, si duda, cambiarán
para siempre.
El Aprendizaje Profundo (Deep Learning) es una técnica de Inteligencia Artificial relativamente

novedosa que ha demostrado ser muy efectiva en la identificación de patrones en grandes
volúmenes de datos. Uno de los campos a los que ha contribuido con más éxito, por encima de
los métodos tradicionales, es la Visión por Computadora debido a su capacidad de extraer
características propias de las imágenes de forma muy eficiente.
OBJETIVO
Implementar algoritmos de Aprendizaje Profundo (Deep Learning) para el procesamiento y análisis

de imágenes: Clasificación, Localización, Segmentación y Detección de objetos; y desplegarlos
en una arquitectura de servicios para su uso e integración en ambientes de Producción en la nube
(AWS, Google Cloud Platform y IBM Cloud).
PARTICIPANTES
Dirigido a profesionales de ciencias e ingeniería, investigadores del ámbito de la Inteligencia

Artificial, profesionales cuya labor se relaciona con el análisis de imágenes (visión por
computadora), y público en general que desee conocer y aplicar algoritmos de análisis de
imágenes a través de técnicas de Deep Learning.
PRE-REQUISITOS
● Se requieren conocimientos básicos en programación (Python y Java de preferencia).

● Se requiere una cuenta de correo gmail para acceder a Google Colab (gratuito).
FECHA Y LUGAR
Universidad Ricardo Palma - Av. Benavides 5440 – Santiago de Surco.
Inicio: 11 de enero del 2020
Horarios:
Sábados y Domingos de 9:00am - 1:00pm
CONTENIDO TEMÁTICO
MÓDULO FUNDAMENTOS DE DEEP LEARNING

• El problema del Reconocimiento de Patrones en los datos.
• ¿Por qué Deep Learning?
• Deep Learning: Conceptos y formulación de problemas tipo.
I
• Aplicaciones de Deep Learning:
o Visión por computadora y Procesamiento de Lenguaje Natural.
• Taller: Preparación de ambiente de trabajo: Google Colab, Python, Keras, Tensorflow.
MÓDULO REDES NEURONALES CONVOLUCIONALES (RNCs)

• Redes Neuronales Artificiales: Un mecanismo eficiente de identificación de patrones.
• Redes Neuronales Convolucionales (RNCs): Formulación matemática y Arquitectura.
II • Feature Extraction: Convolución, rectificación, sampling y clasificación.
• Entrenamiento de una RNC: Capas, filtros, strides, padding y funciones de activación.
• Taller: Clasificación de imágenes mediante una Red Neuronal Convolucional.
MÓDULO MODELOS PRE-ENTRENADOS

• Modelos de Deep Learning Pre-entrenados: ¿Qué son y para qué sirven?
• Modelos Pre-entrenados, arquitectura e implementación:
o Visual Geometry Group (VGG)
o Residual Network (ResNet)
III o Inception
o DenseNet
• TRANSFER LEARNING: selección, entrenamiento y evaluación de modelos.
• FINE TUNING: selección, entrenamiento y evaluación de modelos.
• Taller: Categorización de imágenes Imagenet (transfer learning y fine tuning).
MÓDULO PROCESAMIENTO Y ANÁLISIS DE IMÁGENES

• Deep Learning y Visión por Computadora
• CLASIFICACIÓN de imágenes: formulación y solución.
o Algoritmos de Clasificación: VGG-Face Model
o Taller: Reconocimiento Facial (foto y video)
• LOCALIZACIÓN y DETECCIÓN de imágenes: formulación y solución.
IV o Localización vs Detección.
o Algoritmos de Detección de Objetos: R-CNN, Fast R-CNN, Faster R-CNN, YOLO
o Taller: Reconocimiento de Objetos COCO (foto y video) usando YOLO y OpenCV.
• SEGMENTACIÓN de imágenes: formulación y solución.
o Segmentación semántica.
o Taller: Segmentación de Objetos COCO (foto y video) usando YOLO y OpenCV.
MÓDULO REDES GENERATIVAS ADVERSARIAS (GANs)
• Modelos Generativos: ¿Qué son y para qué sirven?
• Redes Generativas Adversarias (GANs): Formulación matemática y Arquitectura.
• Generador y Discriminador: Arquitectura y características.
V • La Teoría de juegos y el equilibrio de Nash.
• Enternamiento de una red GAN.
• Tipos de Redes GAN.
o Taller: Entrenamiento de una red GAN, WGAN, pix2pix, CycleGAN.
MÓDULO AUTOMATED MACHINE LEARNING (AutoML VISION)

• ML Automatizado para visión por computadora.
• Google Auto ML Vision: Clasificación y Detección.
VI • IBM Cloud Vision: Clasificación.
o Taller: Google Cloud AutoML Vision
o Taller: IBM Watson Visual Recognition
MÓDULO DESPLIEGUE DE MODELOS DEEP LEARNING

• Despliegue de modelos Deep Learning (modo estándar)
o Preparación de ambientes en Cloud: AWS, Google Cloud Platform e IBM Cloud.
o Instalación programas y librerías: Flask, Postman.
• Despliegue de modelos Deep Learning en Producción (modo avanzado)
VII o Instalación de programas y librerías: Docker, Swarm, TensorServing.
• Depliegue de modelos Deep Learning en Java: DL4J, Spring Web Service, REST Clients.
• Modelos de Deep Learning como Servicios Web
o Taller: Disponibilización y llamada a servicios (modelos) desde un cliente REST.
o Taller: Interfaz web (Angular) para consumir el servicio vía REST.
EXPOSITOR: Mirko J. Rodríguez Mallma
Profesor en la maestría de Ciencia de los Datos de la Universidad Ricardo

Palma (Perú) y especialista en la implementación de proyectos de Inteligencia
Artificial y Deep Learning.
Ingeniero de Sistemas por la Universidad Nacional de Ingeniería (UNI), MBA

por la MSM Maastricht School of Management - Holanda. Certificaciones
oficiales en Sistemas Inteligentes (computación cognitiva), Arquitectura
Empresarial (TOGAF®), Gestión de Proyectos (PMP®), Gestión de Servicios
de TI (ITIL®), Procesos de Desarrollo de Software (RUP®) y Arquitectura
Orientada a Servicios (SOA).
DURACIÓN
60 horas
INVERSIÓN
Público en general: S/. 1550.00
Miembros URP: S/. 1450.00
Estudiantes pregrado: S/. 1350.00
CERTIFICACIÓN
Certificado de participación emitida por el rectorado de la Universidad Ricardo Palma.

Deep Learning Aplicado - Brochure

Cargado por

Copyright:

Formatos disponibles

Deep Learning Aplicado - Brochure

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Deep Learning Aplicado - Brochure

Cargado por

Copyright:

Formatos disponibles

CURSO DE ESPECIALIZACIÓN EN CIENCIA DE DATOS

El Aprendizaje Profundo (Deep Learning) es una técnica de Inteligencia Artificial relativamente

Implementar algoritmos de Aprendizaje Profundo (Deep Learning) para el procesamiento y análisis

Dirigido a profesionales de ciencias e ingeniería, investigadores del ámbito de la Inteligencia

● Se requieren conocimientos básicos en programación (Python y Java de preferencia).

MÓDULO FUNDAMENTOS DE DEEP LEARNING

MÓDULO REDES NEURONALES CONVOLUCIONALES (RNCs)

MÓDULO MODELOS PRE-ENTRENADOS

MÓDULO PROCESAMIENTO Y ANÁLISIS DE IMÁGENES

MÓDULO AUTOMATED MACHINE LEARNING (AutoML VISION)

MÓDULO DESPLIEGUE DE MODELOS DEEP LEARNING

EXPOSITOR: Mirko J. Rodríguez Mallma

Profesor en la maestría de Ciencia de los Datos de la Universidad Ricardo

Ingeniero de Sistemas por la Universidad Nacional de Ingeniería (UNI), MBA

También podría gustarte