Especialización en Sistemas de Percepción Visual de Robots con Aprendizaje Automático

Módulo 1. Agentes inteligentes. Aplicación de la Inteligencia Artificial a robots y Softbots

1.1. Agentes inteligentes e Inteligencia Artificial

1.1.1. Robots inteligentes.Inteligencia Artificial
1.1.2. Agentes inteligentes

1.1.2.1. Agentes hardware. Robots
1.1.2.2. Agentes software.Softbots

1.1.3. Aplicaciones a la Robótica

1.2. Conexión cerebro-algoritmo

1.2.1. Inspiración biológica de la Inteligencia Artificial
1.2.2. Razonamiento implementado en algoritmos. Tipología
1.2.3. Explicabilidad de los resultados en los algoritmos de Inteligencia Artificial
1.2.4. Evolución de los algoritmos hasta Deep Learning

1.3. Algoritmos de búsqueda en el espacio de soluciones

1.3.1. Elementos en la búsqueda en el espacio de soluciones
1.3.2. Algoritmos de búsqueda de soluciones en problemas de Inteligencia Artificial
1.3.3. Aplicaciones de algoritmos de búsqueda y optimización
1.3.4. Algoritmos de búsqueda aplicados a Aprendizaje Automático

1.4. Aprendizaje Automático

1.4.1. Aprendizaje automático
1.4.2. Algoritmos de aprendizaje supervisado
1.4.3. Algoritmos de aprendizaje no supervisado
1.4.4. Algoritmos de aprendizaje por refuerzo

1.5. Aprendizaje supervisado

1.5.1. Métodos de aprendizaje supervisado
1.5.2. Árboles de decisión para clasificación
1.5.3. Máquinas de soporte de vectores
1.5.4. Redes neuronales artificiales
1.5.5. Aplicaciones del aprendizaje supervisado

1.6. Aprendizaje no supervisado

1.6.1. Aprendizaje No Supervisado
1.6.2. Redes de Kohonen
1.6.3. Mapas autoorganizativos
1.6.4. Algoritmo K-medias

1.7. Aprendizaje por refuerzo

1.7.1. Aprendizaje por refuerzo
1.7.2. Agentes basados en procesos de Markov
1.7.3. Algoritmos de aprendizaje por refuerzo
1.7.4. Aprendizaje por refuerzo aplicado a Robótica

1.8. Redes neuronales artificiales y Deep Learning

1.8.1. Redes neuronales artificiales. Tipología
1.8.2. Aplicaciones de redes neuronales
1.8.3. Transformación del Machine Learning al Deep Learning
1.8.4. Aplicaciones de Deep Learning

1.9. Inferencia probabilística

1.9.1. Inferencia probabilística
1.9.2. Tipos de inferencia y definición del método
1.9.3. Inferencia bayesiana como caso de estudio
1.9.4. Técnicas de inferencia no paramétricas
1.9.5. Filtros Gaussianos

1.10. De la teoría a la práctica: desarrollando un agente inteligente robótico

1.10.1. Inclusión de módulos de aprendizaje supervisado en un agente robótico
1.10.2. Inclusión de módulos de aprendizaje por refuerzo en un agente robótico
1.10.3. Arquitectura de un agente robótico controlado por Inteligencia Artificial
1.10.4. Herramientas profesionales para la implementación del agente inteligente
1.10.5. Fases de la implementación de algoritmos de IA en agentes robóticos

Módulo 2. Técnicas de visión en Robótica: procesamiento y análisis de imágenes

2.1. La visión por computador

2.1.1. La visión por computador
2.1.2. Elementos de un sistema de visión por computador
2.1.3. Herramientas matemáticas

2.2. Sensores ópticos para la Robótica

2.2.1. Sensores ópticos pasivos
2.2.2. Sensores ópticos activos
2.2.3. Sensores no ópticos

2.3. Adquisición de imágenes

2.3.1. Representación de imágenes
2.3.2. Espacio de colores
2.3.3. Proceso de digitalización

2.4. Geometría de las imágenes

2.4.1. Modelos de lentes
2.4.2. Modelos de cámaras
2.4.3. Calibración de cámaras

2.5. Herramientas matemáticas

2.5.1. Histograma de una imagen
2.5.2. Convolución
2.5.3. Transformada de Fourier

2.6. Preprocesamiento de imágenes

2.6.1. Análisis de ruido
2.6.2. Suavizado de imágenes
2.6.3. Realce de imágenes

2.7. Segmentación de imágenes

2.7.1. Técnicas basadas en contornos
2.7.3. Técnicas basadas en histograma
2.7.4. Operaciones morfológicas

2.8. Detección de características en la imagen

2.8.1. Detección de puntos de interés
2.8.2. Descriptores de características
2.8.3. Correspondencias entre características

2.9. Sistemas de visión 3D

2.9.1. Percepción 3D
2.9.2. Correspondencia de características entre imágenes
2.9.3. Geometría de múltiples vistas

2.10. Localización basada en Visión Artificial

2.10.1. El problema de la localización de robots
2.10.2. Odometría visual
2.10.3. Fusión sensorial

Módulo 3. Sistemas de percepción visual de robots con Aprendizaje Automático

3.1. Métodos de aprendizaje no supervisados aplicados a la Visión Artificial

3.1.1. Clustering
3.1.2. PCA
3.1.3. Nearest Neighbors
3.1.4. Similarity and Matrix Decomposition

3.2. Métodos de aprendizaje supervisados aplicados a la Visión Artificial

3.2.1. Concepto “Bag of Words”
3.2.2. Máquina de soporte de vectores
3.2.3. Latent Dirichlet Allocation
3.2.4. Redes neuronales

3.3. Redes neuronales profundas: estructuras, Backbones y Transfer Learning

3.3.1. Capas generadoras de Features

3.3.3.1. VGG
3.3.3.2. Densenet
3.3.3.3. ResNet
3.3.3.4. Inception
3.3.3.5. GoogLeNet

3.3.2. Transfer Learning
3.3.3. Los datos. Preparación para el entrenamiento

3.4. Visión Artificial con aprendizaje profundo I: detección y segmentación

3.4.1. YOLO y SSD diferencias y similitudes
3.4.2. Unet
3.4.3. Otras estructuras

3.5. Visión Artificial con aprendizaje profundo II: Generative Adversarial Networks

3.5.1. Superresolución de imágenes usando GAN
3.5.2. Creación de Imágenes realistas
3.5.3. Scene Understanding

3.6. Técnicas de aprendizaje para la localización y mapeo en la Robótica móvil

3.6.1. Detección de cierre de bucle y relocalización
3.6.2. Magic Leap. Super Point y Super Glue
3.6.3. Depth from Monocular

3.7. Inferencia bayesiana y modelado 3D

3.7.1. Modelos bayesianos y aprendizaje “clásico”
3.7.2. Superficies implícitas con procesos gaussianos (GPIS)
3.7.3. Segmentación 3D usando GPIS
3.7.4. Redes neuronales para el modelado de superficies 3D

3.8. Aplicaciones End-to-End de las redes neuronales profundas

3.8.1. Sistema End-to-End. Ejemplo de identificación de personas
3.8.2. Manipulación de objetos con sensores visuales
3.8.3. Generación de movimientos y planificación con sensores visuales

3.9. Tecnologías en la nube para acelerar el desarrollo de algoritmos de Deep Learning

3.9.1. Uso de GPU para el Deep Learning
3.9.2. Desarrollo ágil con Google Colab
3.9.3. GPUs remotas, Google Cloud y AWS

3.10. Despliegue de redes neuronales en aplicaciones reales

3.10.1. Sistemas embebidos
3.10.2. Despliegue de redes neuronales. Uso
3.10.3. Optimizaciones de redes en el despliegue, ejemplo con TensorRT