Artboard 7 copy 20.jpg
Deep Learning en Imágenes y NLP: sus Matemáticas e implementación en Python

Este curso en línea consta de tres módulos sobre los fundamentos y las aplicaciones de redes neuronales al procesamiento de imágenes y NLP

Información General

  • Las redes neuronales son una de las herramientas más poderosas de la Inteligencia Artificial. Su utilización ha cambiado el mundo en el que vivimos y es difícil pensar en una industria que no las utilice.

  • En este curso vamos a enseñar a los estudiantes a entender y utilizar las redes neuronales de manera detallada, nos enfocaremos en cuatro partes fundamentales:

  • Implementación en Python y buenas prácticas

  • Descripción de los distintos algoritmos

  • Las diferentes y diferencias entre arquitecturas

  • Las ideas matemáticas más relevantes

  • El material no está estrictamente secuenciado y por ejemplo si se tienen algunas nociones sobre redes neuronales es posible comenzar en el segundo.

  • No es necesario un conocimiento profundo de Python sin embargo es recomendable estar familiarizado con conceptos básicos de programación.

Detalles y contacto

-El evento se llevará a cabo de forma remota.

-Cada módulo incluye unas notas en forma de bitácora sobre lo aprendido.

-Contacto

Alfonso Ruiz

alfonso@escuela-bourbaki.com

Tel. +52 1 55 59957954

-Las fechas y los horarios son los siguientes:

Módulo 1

  • Jueves 30 de abril 18:30-21:00

  • Martes 5 de mayo 18:30-21:00

  • Jueves 7 de mayo 18:30-21:00

  • Martes 12 de mayo 18:30-21:00

  • Jueves 14 de mayo 18:30-21:00

  • Martes 19 de abril 18:30-21:00

Módulo 2

  • Jueves 21 de abril 18:30-21:00

  • Martes 26 de junio 18:30-21:00

  • Jueves 28 de junio 18:30-21:00

  • Martes 2 de junio 18:30-21:00

  • Jueves 4 de junio 18:30-21:00

  • Martes 9 de junio 18:30-21:00

Módulo 3

  • Jueves 11 de junio 18:30-21:00

  • Martes 16 de junio 18:30-21:00

  • Jueves 18 de junio 18:30-21:00

  • Martes 23 de junio 18:30-21:00

  • Jueves 25 de junio 18:30-21:00

  • Martes 30 de junio 18:30-21:00

El curso se impartirá en tiempos proporcionales por los siguientes profesores.

  • Beatriz Londoño es fundadora de "Ciencia y Tecnología para todos". Doctora en Física por la Université Paris-XI Orsay con experiencia en investigación y coautora de artículos científicos. Comprensión de variedad de métodos de análisis estadístico, programación, machine y deep learning. Experiencia en docencia. Fuerte interés en la enseñanza de las ciencias y en hacer del análisis y del pensamiento crítico un instrumento cercano a todos.

  • Eduardo H. Ramírez es Doctor en Sistemas Inteligentes por el ITESM. Colaboró en Yahoo Research y Microsoft Research en detección de Web Spam y Calidad de Búsqueda. Es fundador de la comunidad de Ciencia de Datos en Monterrey, miembro del consejo del CVT de Caintra y de Saturdays.ai, una iniciativa global dirigida a capacitar a las personas para que adquieran habilidades en AI y ML aplicadas en proyectos de impacto social.

  • Alfonso Ruiz es un matemático especializado en la lógica matemática y sus aplicaciones a otras áreas así como un profesor de matemáticas. Estudió su doctorado en Matemáticas en Oxford University, su maestría en Université Paris-XI Orsay y la licenciatura en matemáticas en la UNAM. Fue profesor de Análisis matemático en Corpus Christi College, Oxford. Actualmente, es director en la Escuela de Matemáticas Bourbaki. 

Temarios

 

Módulo 1: Nociones básicas sobre Artificial Neuronal Networks

El primer módulo es una introducción a las redes neuronales que busca profundizar en la comprensión clara sobre las ventajas y la manera cómo funcionan estas técnicas. Se presentarán los algoritmos más útiles para entrenarlas y se dará una explicación de las matemáticas que los explican.

  • Refuerzo sobre Python

  • Perceptrón

  • Método del gradiente

  • Programación del método del gradiente

  • Stochastic gradient descent

  • Perceptrón con más de una capa

  • Back-propagation

  • Programación de back-propagation

  • Librerías y consejos de implementación

  • Caso de estudio sobre clasificación de imágenes

Módulo 2: Arquitecturas para NLP y Procesamiento de Imágenes

En este módulo expondremos las principales técnicas y dificultades detrás del uso de las redes neuronales para procesar imágenes y texto. Enseñaremos cómo utilizar los principales algoritmos para construir redes neuronales sensibles a los problemas del curso. Haremos especial énfasis en el concepto de convolución y desarrollo matemático.

  • Desarrollo histórico y arquitecturas generales de ANN

  • Tareas principales de las arquitecturas de ANN

  • Arquitecturas de estado del arte para reconocimiento de imágenes (ImageNet, ResNet, GoogleNet)

  • Transfer Learning

  • Convolución de funciones y distribuciones

  • Clasificación de imágenes utilizando CNN

  • Detección de objetos en escenas utilizando CNN

  • Traducción de texto: ideas básicas

  • Transformer

  • Módulo 3: Topics en Deep Learning

  • Explicaremos algunas ideas útiles para el procesamiento de imágenes y de texto. Para cada uno de los conceptos listados comenzaremos con su descripción formal y continuaremos con su estudio en los dos problemas que nos interesan.

  • Regularización en clasificación de imágenes y procesamiento de texto.

  • Regularidad en clasificación de imágenes y procesamiento de texto.

  • Modelos Generativos en clasificación de imágenes y procesamiento de texto.

 

 

 

Becas

  • Ofrecemos 2 becas completas por módulo una será a una mujer y la otra será a un hombre. Es necesario no tener un trabajo de tiempo completo para solicitar la beca. Favor de escribir a alfonso@escuela-bourbaki.com una carta motivo explicando por qué está interesado en el curso.

Contacto

CDMX, México.

  • Facebook icono social