Deep Learning para Computer Vision

Intermedio • 5 horas

Aprende a desarrollar modelos de Deep Learning para visión por computadora, desde CNNs hasta 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.