Curso de Deep Learning, CICATA IPN Qro. 2018.

www.cicataqro.ipn.mx

El contenido teórico se encuentra en la wiki.

Objetivo del curso

El curso de Deep Learning presentado utiliza herramientas básicas de código abierto. Pretende introducir al usuario a este entorno de programación para el entrenamiento, prueba y detección de objetos utilizando redes neuronales en Tensorflow con un enfoque teórico-práctico.

Contenido del curso

• Introducción a Machine Learning.
• Introducción a Deep Learning.
• Introducción a Tensorflow.
• Redes neuronales biológicas vs redes neuronales artificiales.
• Funciones de activación.
• Regresión lineal.
• Modelos de redes neuronales artificiales.
• Función de pérdida.
• Feed-forward y back-propagation.
• Inicialización y actualización de pesos.
• Batch normalization.
• Pooling.
• Dropout.
• Regularización.
• Redes neuronales convolucionales.
• Diversión y mucho más.

Requisitos

Anaconda (para Windows, MacOS, y Linux) con Python 2.7+ (https://www.anaconda.com/download/)

Cuenta activa de Github (github.com)

Instalación de librerías

conda create -n py36 python=3.6

conda activate py36
pip instll cython numpy pillow opencv-contrib-python matplotlib pygame tensorflow tqdm
conda install scikit-image keras jupyter git

Verificación de instalación

Probablemente te preguntes ¿Cómo puedes comprobar que tu instalación es correcta? Escribe las siguientes líneas de código y nos debe indicar la versión instalada.

git --version
jupyter --version
python -V

python
import numpy as np
np.__version__
import maplotlin
matplotlib.__version__
import cv2
cv2.__version__
import tensorflow as tf
tf.__version__

Instructores

Ing. Héctor Sánchez Barrera, [email protected]

Ing. Dagoberto Pulido, [email protected]

M. En TA. Sandra de la Fuente, [email protected]

Organizadores

M. En TA. Raymundo Ramos.

M. En TA. Christian Matilde.

Referencias

Cursos relacionados

Fei-Fei Li, Andrej Karpathy, Justin Johnson, “CS231n: Convolutional Neural Networks for Visual Recognition”. Stanford University, Spring 2016.

Mariano Rivera, Alan Reyes, Francisco Gurrola, Ulises Rodríguez, “XII Taller-Escuela de Procesamiento de Imágenes (PI18). Taller Keras”. CIMAT, 2018.

Sanja Fidler, “Deep Learning in Computer Vision”. University of Toronto, Winter 2016.

Hugo Larochelle, “Neural Networks”. Université de Sheerbroke.

Joan Bruna, “Stats212b: Topics on Deep Learning”. Berkeley University. Spring 2016.

Yann LeCun, “Deep Learning: Nine Lectures at Collège de France”. Collège de France, Spring 2016. [Facebook page]

Dhruv Batra, “ECE 6504: Deep learning for perception”. Virginia Tech, Fall 2015.

Vincent Vanhoucke, Arpan Chakraborty, “Deep Learning”. Google 2016.

Xavier Giro-i-Nieto, “Deep learning for computer vision: Image, Object, Video Analytics and Beyond”. LaSalle URL. May 2016.

German Ros, Joost van de Weijer, Marc Masana, Yaxing Wang, “Hands-on Deep Learning with Matconvnet”. Computer Vision Center (CVC) 2015.

Niloy J. Mitra, Iasonas Kokkinos, Paul Guerrero, Vladimir Kim, Kostas Rematas, Tobias Ritschel, “Deep Learning for Graphics”. Eurographics 2018.

Xavier Giro-i-Nieto, Elisa Sayrol, Amaia Salvador, Jordi Torres, Eva Mohedano, Kevin McGuinness, “Deep Learning for Computer Vision Barcelona”. UPC ETSETB TelecomBCN 2016.

Fuentes de información

• Gonzalez, R. C., & Woods, R. E. (2002). Digital image processing second edition. Beijing: Publishing House of Electronics Industry, 455.

• Goodfellow, I., Bengio, Y,, & Courville A. (2016). Deep Learning. [Consultation: 22/02/2016]. Available on: http://www.deeplearningbook.org/.

• Trask, A. (2016). Grokking deep learning.

• Salas J. (2018). Reconocimiento de patrones. CICATA Qro. IPN.

• Publicaciones diversas.

• Apuntes personales.

• Referencias diversas de Tensorflow, Python, OpenCV, Nvidia Digits, Udacity.

Juega con la demostración gráfica de deep learning!