FELLOWS PROGRAM

Visión Artificial/Computacional

¿A quién va dirigido el programa?

Si quieres aprender sobre la Inteligencia Artificial y la visión artificial este programa te ayudará hacerlo. Aprenderá los fundamentos del aprendizaje profundo, comprenderá cómo construir redes neuronales y aprenderá a liderar proyectos exitosos de aprendizaje automático. Aprenderá sobre redes convolucionales, RNN, LSTM, Adam, Dropout, BatchNorm y más

Conocimientos básicos:

  • Python
  • Álgebra Lineal
  • Estadistica
  • Machine Learning

Inicio

Sábado 15 de Febrero del 2020

Horario

Sábados 09:00 – 13:00

Modalidad

Presencial

Course SYLLABUS

  • TRABAJO PREVIO
    Cuando eres parte de Bootcamp AI. Recibiras sesiones online con contenido importante para el inicio como Python, Git, Bases de Datos e Introducción a Data Science.

  • En esta sección, los estudiantes aprenderán las técnicas básicas más importantes en Aprendizaje automático y ciencia de datos. La mayoría de esas técnicas y algoritmos no implican redes neuronales, pero a menudo son opciones más simples y mejores que las NN para Muchos problemas comúnmente encontrados en la industria.


  • Clasificación de Imágenes

    Los estudiantes estarán expuestos al clásico Técnicas de visión por computadora (es decir, no basadas en DL), como la extracción de características, convoluciones y pirámides y práctica con openCV. Estos todavía se usan en muchos aplicaciones, son útiles por derecho propio y también cruciales para apreciar adecuadamente la siguiente sección sobre Aprendizaje profundo para visión artificial.

  • Segmentación de Imágenes

    En el curso de Segmentación de imagen, los estudiantes aprenden los algoritmos esenciales para clasificación mediante ventanas deslizantes, localización, segmentación y las correspondientes métricas para la tarea (intersección de la unión). Los estudiantes también practicarán con y aprenda sobre R-CNN y sus mejoras Fast-and Faster-R-CNN, así como Yolo y una descripción general de algoritmos de última generación para tareas similares. La mayoría de estos Los algoritmos se desarrollaron en los últimos años y mejorarlos es una vibrante área de investigación.

  • Transfer Learning

    En esta sesión aprenderás como de una manera más fácil puedes entrenar las últimas capas y obtener una precisión aceptable en el entrenamiento de tu modelo.


  • Procesamiento del Lenguaje Natural

    En el procesamiento del lenguaje natural, los estudiantes comenzarán aprendiendo cómo construir un clasificador con vectorización de una sola vez y modelos lineales, avanzando hacia la inserción de palabras y modelos de lenguaje y en capas relevantes para PNL, como LSTM y GRU, y cómo usar RNN para la entidad extracción. Los estudiantes practicarán Spacy, NLTK, Keras y TensorFlow, y a través de ejercicios y otros talleres obtienen experiencia trabajando con una variedad de entornos para qué PNL es útil.

Course Staff

  • 0
    Ana María Sancho
    Data Scientist
  • 5
    Roberto Sanchez
    Computer Science

Frameworks y Librerias

frame