Inscripciones y más información: Haz clic aquí
Presentación
TensorFlow (TF) es una plataforma software para el diseño y ejecución eficiente de algoritmos de aprendizaje automático (machine learning). TF permite abordar el ciclo de desarrollo de algoritmos complejos (con millones de parámetros) desde su planteamiento matemático hasta su ejecución eficiente sobre hardware heterogéneo (CPU, GPU, clusters). Las plataformas como TF han facilitado los desarrollos más recientes en Deep Learning con especial impacto en los campos de visión por computador (reconocimiento y detección de objetos, evaluación de escenas, etc.) y procesamiento de señal (señales financieras, traducción automática, etc.).
Este curso ofrece una aproximación práctica a la utilización y programación de TensorFlow, con especial énfasis en complementar el uso estándar de la librería con una profundización de los principios matemáticos y técnicos en los que está basada. De esta manera, se persigue ofrecer al estudiante las herramientas técnicas y conceptuales para aplicar TensorFlow en problemas de analítica de datos y aprendizaje automático (machine learning).
Objetivos
Este curso busca que el estudiante:
- Entienda e implemente el proceso de generación y evaluación de modelos predictivos para abordar problemas de analítica de datos.
- Se familiarice con la matemática requerida para el diseño de algoritmos de aprendizaje automático.
- Entienda los principios de diseño y objetivos de TensorFlow.
- Utilice TensorFlow para diseñar e implementar algoritmos de aprendizaje automático.
- Adquiera los elementos prácticos para integrar TensorFlow en sus propios desarrollos.
- Construya los criterios técnicos para determinar en qué casos utilizar TensorFlow y en qué casos utilizar librerías clásicas.
Contenido
| Módulo 1 | ||
| Temáticas (principales y subtemas) | Intensidad | |
| Sesión de nivelación en Python y Jupyter Notebooks.
Este módulo es nivelatorio. Consiste en recordar o tomar los elementos básicos de programación Phyton y de gestión de Notebooks sobre linux. |
10 horas | |
| Módulo 2 : Introducción | ||
| Temáticas (principales y subtemas) | Intensidad | |
|
Introducción a la analítica de datos con ML. Taller: Carga, limpieza datos y generación de modelos predictivos
Evaluación de modelos predictivos y escenarios de datos. Presentación de trabajo de proyecto de analítica de datos Taller: Cross validation y estrategias para ampliación de datos
Cálculo simbólico y optimización matemática sobre TensorFlow. Taller: Implementación de LR en TensorFlow
|
16 horas | |
| Módulo 3 : Procesamiento | ||
| Temáticas (principales y subtemas) | Intensidad | |
| Revisión y presentación de propuestas de proyecto de analítica de datos
Redes neuronales sobre TensorFlow. Optimización batch y estocástica. Taller: Implementación MLP en TensorFlow
APIs de alto nivel, monitoreo y cómputo heterogéneo en TensorFlow Revisión avance proyectos de analítica de datos Taller: device placement en TF y métricas sobre tensorboard
|
12 horas | |
| Módulo 4 : Proyecto | ||
| Temáticas (principales y subtemas) | Intensidad | |
| Avance autónomo de proyecto
Presentación de proyecto. |
8 horas | |
Público objetivo y requerimientos
El curso está diseñado para personas de perfil técnico, tanto en la empresa como en la academia, que quieran estar en capacidad de usar TensorFlow en sus aplicaciones, o de dirigir a personas o proyectos donde tengan que evaluar la pertinencia de su uso. El curso se realizará en Python y el estudiante tendrá que realizar talleres y prácticas de programación de TensorFlow en Python.
Se requieren conocimientos de programación, p.ej. haber programado profesionalmente o como hobby o aprendizaje algún algoritmo o software con al menos 500 líneas de código en algún lenguaje conocido (Java, C, C++, C#, etc.). El curso incluye un primer módulo para nivelación o refresco de Python (numpy, matplotlib y pandas).
El instructor
Raúl Ramos, Profesor e investigador de la Universidad de Antioquia en las áreas de Inteligencia Artificial y Ciencia de Datos. PhD en Ingeniería Informática por la Universidad de Oporto, Portugal, en análisis de imágenes biomédicas, ha desarrollado su carrera en la industria y en la academia, como Director del Centro de Cómputo del CETA-CIEMAT (Extremadura, España, www.ceta-ciemat.es), Ingeniero de Software en el Centro Europeo para la Física de Partículas (www.cern.ch, Ginebra, Suiza), Arquitecto Java para Sun Microsystems Suiza (www.oracle.com) y Cofundador de Pildo Labs (www.pildo.com), una PYME en el sector aeronáutico y de software crítico basada en Barcelona, antes de establecerse en Colombia en 2012, inicialmente como investigador invitado en la Universidad Nacional de Colombia en Bogotá en el grupo MindLab en analítica de imágenes, en la Universidad Industrial de Santander desde 2013 y en la Universidad de Antioquia desde 2018.
Enlace linked in: https://www.linkedin.com/ in/ra%C3%BAl-ramos-poll%C3%A1n -9372ba12/
Enlace Google Scholar: https://scholar.googl e.com/citations?user=QObKt9IAA AAJ&hl=es&oi=ao
