Especialización en Deep Learning Aplicado a la Visión por Computador
Postítulo
Online
Aprende francés mientras conversas
-
Tipología
Postítulo
-
Metodología
Online
-
Horas lectivas
450h
-
Duración
6 Meses
-
Inicio
Fechas disponibles
-
Campus online
Sí
-
Clases virtuales
Sí
El Deep Learning ha supuesto toda una revolución en el ámbito de la inteligencia artificial, ya que ha permitido a todo tipo de máquinas y dispositivos el perfeccionamiento de tareas complejas. Por ejemplo, su aplicación en el campo de la visión artificial es fundamental, puesto que permite la obtención de datos fundamentales en la lectura de imágenes médicas. De esta forma, el Deep Learning, combinado con la visión por computador, ha producido una mejora en el diagnóstico de enfermedades. Esta titulación, por tanto, ofrece la posibilidad de profundizar en este ámbito, de forma que el informático que la finalice tenga a su alcance todas las herramientas necesarias para incorporar el Deep Learning aplicado a la visión artificial a su trabajo.
Información importante
Documentación
- 72especializacion-deep-learning-aplicado-vision-computador---.pdf
Sedes y fechas disponibles
Ubicación
comienzo
comienzo
A tener en cuenta
Objetivos generales
Generar conocimiento especializado sobre Deep Learning y analizar, ¿por qué ahora?
Presentar las redes neuronales y examinar su funcionamiento
Analizar las métricas para un correcto entrenamiento
Fundamentar las matemáticas detrás de las redes neuronales
Desarrollar las redes neuronales convolucionales
Analizar las métricas y herramientas existentes
Objetivos específicos
Módulo 1. Deep Learning
Analizar las familias que componen el mundo de la inteligencia artificial
Compilar los principales frameworks de Deep Learning
Definir las redes neuronales
Presentar los métodos de aprendizaje de las redes neuronales
Módulo 2. Redes convolucionales y clasificación de imágenes
Generar conocimiento especializado sobre las redes neuronales convolucionales
Establecer las métricas de evaluación
Analizar el funcionamiento de las CNN para la clasificación de imágenes
Evaluar el Data Augmentation
Proponer técnicas para evitar el Overfitting
Este Experto Universitario en Deep Learning Aplicado a la Visión por Computador tiene como objetivo principal proporcionar al informático las herramientas más novedosas en este ámbito, de forma que pueda afrontar su práctica profesional con los mejores conocimientos. Así, al finalizar esta titulación, estará en posición de desarrollar todo tipo de proyectos de visión artificial partiendo del Deep Learning, lo que le situará como una referencia en inteligencia artificial en su entorno.
Este Experto Universitario en Deep Learning Aplicado a la Visión por Computador contiene el programa más completo y actualizado del mercado.
Tras la superación de la evaluacion por parte del alumno, éste recibirá por correo postal* con acuse de recibo su correspondiente título de Experto Universitario emitido por TECH Universidad Tecnológica.
El título expedido por TECH Universidad Tecnológica expresará la calificación que haya obtenido en el Experto Universitario, y reúne los requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.
Título: Experto Universitario en Deep Learning Aplicado a la Visión por Computador
N.º Horas Oficiales: 450 h.
Nuestra escuela es la primera en el mundo que combina el estudio de casos clínicos con un sistema de aprendizaje 100% online basado en la reiteración, que combina 8 elementos diferentes que suponen una evolución con respecto al simple estudio y análisis de casos. Esta metodología, a la vanguardia pedagógica mundial, se denomina Relearning.
Nuestra escuela es la primera en habla hispana licenciada para emplear este exitoso método, habiendo conseguido en 2015 mejorar los niveles de satisfacción global (calidad docente, calidad de los materiales, estructura del curso, objetivos…) de los estudiantes que finalizan los cursos con respecto a los indicadores de la mejor universidad online en habla hispana.
Recibida su solicitud, un responsable académico del curso le llamará para explicarle todos los detalles del programa, así como el método de inscripción, facilidades de pago y plazos de matrícula.
En primer lugar, necesitas un ordenador (PC o Macintosh), conexión a internet y una cuenta de correo electrónico. Para poder realizar los cursos integramente ON-LINE dispone de las siguientes opciones: Flash - Instalando Flash Player 10 o posterior (http://www.adobe.com/go/getflash), en alguno de los siguientes navegadores web: - Windows: Internet Explorer 6 y posteriores, Firefox 1.x y posteriores, Google Chrome, Opera 9.5 y posteriores - Mac: Safari 3 y posteriores, Firefox 1.x y posteriores, Google Chrome - Linux: Firefox 1.x y posteriores HTML5 - Instalando alguno de los navegadores web: - Google Chrome 14 o posterior sobre Windows o Mac - Safari 5.1 o posterior sobre Mac - Mobile Safari sobre Apple iOS 5.0 o posterior en iPad/iPhone Apple iOS - Articulate Mobile Player; Apple iOS 5.0 o posterior en iPad
Opiniones
Materias
- Cursos online
- Francés
- Fluidez
- Comprensión lectora
- Idiomas
- Curso
- Comprension auditiva
- Expresión oral
- Expresión escrita
- Interacción oral
- Francés C1
Profesores
Sergio Redondo Cabanillas
Ingeniero de aplicaciones de visión industrial en Bcnvision
Temario
Módulo 1. Deep Learning
1.1. Inteligencia artificial
1.1.1. Machine Learning
1.1.2. Deep Learning
1.1.3. La explosión del Deep Learning. ¿Por qué ahora?
1.2. Redes neuronales
1.2.1. La red neuronal
1.2.2. Usos de las redes neuronales
1.2.3. Regresión lineal y Perceptron
1.2.4. Forward propagation
1.2.5. Backpropagation
1.2.6. Feature vectors
1.3. Loss Functions
1.3.1. Loss Functions
1.3.2. Tipos de Loss Functions
1.3.3. Elección de las Loss Functions
1.4. Funciones de activación
1.4.1. Función de activación
1.4.2. Funciones lineales
1.4.3. Funciones no lineales
1.4.4. Output vs. Hidden Layer Activation Functions
1.5. Regularización y normalización
1.5.1. Regularización y normalización
1.5.2. Overfitting and Data Augmentation
1.5.3. Regularization methods: L1, L2 and dropout
1.5.4. Normalization methods: Batch, Weight, Layer
1.6. Optimización
1.6.1. Gradient Descent
1.6.2. Stochastic Gradient Descent
1.6.3. Mini Batch Gradient Descent
1.6.4. Momentum
1.6.5. Adam
1.7. Hyperparameter Tuning y Pesos
1.7.1. Los hiperparámetros
1.7.2. Batch Size vs. Learning Rate vs. Step Decay
1.7.3. Pesos
1.8. Métricas de evaluación de una red neuronal
1.8.1. Accuracy
1.8.2. Dice coefficient
1.8.3. Sensitivity vs. Specificity/Recall vs. Precision
1.8.4. Curva ROC (AUC)
1.8.5. F1-score
1.8.6. Confusion matrix
1.8.7. Cross-validation
1.9. Frameworks y Hardware
1.9.1. Tensor Flow
1.9.2. Pytorch
1.9.3. Caffe
1.9.4. Keras
1.9.5. Hardware para la fase de entrenamiento
1.10. Creación de una red neuronal–entrenamiento y validación
1.10.1. Dataset
1.10.2. Construcción de la red
1.10.3. Entrenamiento
1.10.4. Visualización de resultados
Módulo 2. Redes convolucionales y clasificación de imágenes
2.1. Redes neuronales convolucionales
2.1.1. Introducción
2.1.2. La convolución
2.1.3. CNN Building Blocks
2.2. Tipos de capas CNN
2.2.1. Convolutional
2.2.2. Activation
2.2.3. Batch normalization
2.2.4. Polling
2.2.5. Fully connected
2.3. Métricas
2.3.1. Confusion Matrix
2.3.2. Accuracy
2.3.3. Precision
2.3.4. Recall
2.3.5. F1 Score
2.3.6. ROC Curve
2.3.7. AUC
2.4. Arquitecturas
2.4.1. AlexNet
2.4.2. VGG
2.4.3. Resnet
2.4.4. GoogleLeNet
2.5. Clasificación de Imágenes
2.5.1. Introducción
2.5.2. Análisis de los datos
2.5.3. Preparación de los datos
2.5.4. Entrenamiento del modelo
2.5.5. Validación del modelo
2.6. Consideraciones prácticas para el entrenamiento de CNN
2.6.1. Selección de optimizador
2.6.2. Learning Rate Scheduler
2.6.3. Comprobación de Pipeline de entrenamiento
2.6.4. Entrenamiento con regularización
2.7. Buenas prácticas en Deep Learning
2.7.1. Transfer Learning
2.7.2. Fine Tuning
2.7.3. Data Augmentation
2.8. Evaluación estadística de datos
2.8.1. Número de datasets
2.8.2. Número de etiquetas
2.8.3. Número de imágenes
2.8.4. Balanceo de datos
2.9. Deployment
2.9.1. Guardado de modelos
2.9.2. Onnx
2.9.3. Inferencia
2.10. Caso práctico: clasificación de imágenes
2.10.1. Análisis y preparación de los datos
2.10.2. Testeo del pipeline de entrenamiento
2.10.3. Entrenamiento del modelo
2.10.4. Validación del modelo
Módulo 3. Detección de objetos
3.1. Detección y seguimiento de objetos
3.1.1. Detección de objetos
3.1.2. Casos de uso
3.1.3. Seguimiento de objetos
3.1.4. Casos de uso
3.1.5. Oclusiones, Rigid and No Rigid Poses
3.2. Métricas de evaluación
3.2.1. IOU-Intersection Over Union
3.2.2. Confidence Score
3.2.3. Recall
3.2.4. Precisión
3.2.5. Recall–Precisión Curve
3.2.6. Mean Average Precision (mAP)
3.3. Métodos tradicionales
3.3.1. Sliding window
3.3.2. Viola detector
3.3.3. HOG
3.3.4. Non Maximal Supresion (NMS)
3.4. Datasets
3.4.1. Pascal VC
3.4.2. MS Coco
3.4.3. ImageNet (2014)
3.4.4. MOTA Challenge
3.5. Two Shot Object Detector
3.5.1. R-CNN
3.5.2. Fast R-CNN
3.5.3. Faster R-CNN
3.5.4. Mask R-CNN
3.6. Single Shot Object Detector
3.6.1. SSD
3.6.2. YOLO
3.6.3. RetinaNet
3.6.4. CenterNet
3.6.5. EfficientDet
3.7. Backbones
3.7.1. VGG
3.7.2. ResNet
3.7.3. Mobilenet
3.7.4. Shufflenet
3.7.5. Darknet
3.8. Object Tracking
3.8.1. Enfoques clásicos
3.8.2. Filtros de partículas
3.8.3. Kalman
3.8.4. Sort tracker
3.8.5. Deep Sort
3.9. Despliegue
3.9.1. Plataforma de computación
3.9.2. Elección del Backbone
3.9.3. Elección del Framework
3.9.4. Optimización de modelos
3.9.5. Versionado de modelos
3.10. Estudio: detección y seguimiento de personas
3.10.1. Detección de personas
3.10.2. Seguimiento de personas
3.10.3. Reidentificación
3.10.4. Conteo de personas en multitudes
Especialización en Deep Learning Aplicado a la Visión por Computador