Semestre 2022-20
| Nombre del curso: | Análisis con Deep Learning |
| Créditos: | 4 |
| Profesor: | Haydemar María Nuñez Castro |
| Versión PDF | Click Aquí |
Descripción
Las redes neuronales artificiales son una clase de algoritmos de aprendizaje automático, originalmente inspirados en la estructura del cerebro humano, que actualmente están siendo utilizados en muchas aplicaciones prácticas relacionadas con el procesamiento del lenguaje natural, procesamiento de imágenes, modelos generativos, entre otras. Su potencia y capacidad para resolver problemas complejos se basan en la interconexión de capas de neuronas artificiales en diversas arquitecturas. De esta forma, es posible construir modelos compuestos por una jerarquía de funciones que son aprendidas a partir de los datos, dando lugar a lo que se conoce como aprendizaje profundo o deep learning.
En este curso se ilustra cómo las técnicas de deep learning pueden ser utilizadas en la construcción de modelos de conocimiento que apoyen la toma de decisiones, tomando en consideración las características y complejidad de las representaciones de los conjuntos de datos.
Objetivos
Comprender los fundamentos básicos de las redes neuronales artificiales y el aprendizaje profundo (deep learning).
- Identificar los diferentes parámetros que deben ser optimizados para la construcción de modelos de redes neuronales profundas con buen desempeño.
- Analizar el funcionamiento de algunas arquitecturas de aprendizaje profundo y cómo pueden ser aplicadas para resolver problemas en diferentes contextos.
- Analizar los aspectos relacionados con la preparación de diferentes tipos de datos complejos.
- Aplicar el proceso de aprendizaje a partir de datos para la construcción de modelos de deep learning con el fin de construir soluciones a casos reales.
- Utilizar herramientas de software para la construcción de modelos de aprendizaje profundo.
- Comprender las implicaciones éticas en el desarrollo de soluciones a partir de datos.
- Conocer tendencias actuales del deep learning y proyectos de investigación en desarrollo sobre problemas abiertos.
Tema 2. Aspectos de diseño de las redes neuronales profundas.
Tema 3. Modelos basados en autocodificadores.
Tema 4. Modelos de redes neuronales convolucionales.
Tema 5. Modelos de redes neuronales recurrentes.
Tema 6. Modelos de redes neuronales generativas.
Tema 7. Otros tópicos y tendencias actuales.
Metodología
- Clases teóricas dirigidas a la adquisición de conceptos, con discusión de casos de estudio y aplicaciones.
- Actividades prácticas centradas en la experimentación con conjuntos de datos de repositorios públicos, utilizando el lenguaje de programación Python, junto con librerías de deep learning. A lo largo del curso se desarrolla un proyecto definido por los estudiantes.