Cálculo para Inteligencia Artificial
Aprende a crear modelos de visión por computadora con Deep Learning y Transfer Learning.
¿Qué aprenderás?
• Aplicaciones clave de Vision por Computador.
• Implementación de una CNN en PyTorch.
• Fundamentos de Redes Neuronales Convolucionales (CNNs).
• Transfer Learning de modelos preentrenados.
• Preparación y preprocesamiento de datos visuales.
• Tendencias y desafíos en Computer Vision.
Contenido del Curso
Módulo 1: Introducción a Computer Vision con Deep Learning
Explora los fundamentos y la relevancia de la visión por computadora, sus aplicaciones clave y cómo el Deep Learning ha transformado esta área.
Módulo 2: Fundamentos de Redes Convolucionales (CNNs)
Profundiza en la teoría y funcionamiento de las redes convolucionales, incluyendo su arquitectura, componentes y operaciones fundamentales como convoluciones y pooling.
Módulo 3: Implementación de una CNN desde Cero
Aprende a construir e implementar una red convolucional desde cero utilizando PyTorch, revisando arquitecturas clásicas como LeNet y ResNet.
Módulo 4: Transfer Learning y Modelos Pre Entrenados
Aborda el uso de modelos preentrenados y técnicas de Transfer Learning para mejorar el desempeño y acelerar el desarrollo de soluciones en visión por computadora.
Módulo 5: Tendencias y Desafíos en Computer Vision
Analiza las últimas tendencias, desafíos y oportunidades en visión por computadora, incluyendo aplicaciones móviles y nuevos frameworks.
Descripción
Domina los fundamentos del Deep Learning aplicado a Computer Vision con este curso intensivo. Aprenderás desde los conceptos clave de visión por computador y redes convolucionales (CNNs), hasta la implementación práctica de modelos con PyTorch. Explora técnicas como data augmentation, transfer learning y descubre las tendencias actuales en modelos eficientes. Ideal para quienes ya conocen los fundamentos de Deep Learning y quieren aplicarlos en tareas visuales reales.
Conoce al profesor
Erick Maraz
Realizó su licenciatura en Ingeniería Electromecánica en la UPB y posteriormente obtuvo una maestría en Ingeniería Eléctrica y Electrónica en la École Polytechnique Fédérale de Lausanne (EPFL), Suiza, como becario de la Fundación Simón I. Patiño.
