L’aprenentatge automàtic i profund en Intel·ligència Artificial tema central d’un curs d’estiu de la UA
Els professors detallen que, dins de la Intel·ligència Artificial l’aprenentatge automàtic (Machine Learning) constitueix una àrea en expansió. Les empreses necessiten especialistes que dominin aquestes tècniques en què es dissenyen models perquè l’ordinador aprengui a prendre decisions a partir d’exemples. Dins d’aquest camp de coneixement hi ha una especialitat dedicada a l’aprenentatge profund (Deep Learning), que ja ha demostrat un gran impacte en problemes que no es podien resoldre, o bé, en els resultats que s’obtenien insuficients. En l’actualitat, el Deep Learning s’aplica a àrees o problemes molt diferents com: fabricació, vendes, salut, viatges i allotjament, serveis financers i energia. Aquestes aplicacions són usades en el dia a dia, per exemple, en el traductor de Google; en assistents virtuals com Siri, Cortana i Google Assistant.
Aquest innovador curs ofereix una visió de futur als estudiants o professionals de diferents àrees.
Què és el Deep Learning
El Deep Learning és una branca de la Intel·ligència Artificial basada en l’ús de xarxes neuronals artificials. Aquestes xarxes neuronals estan inspirades en el funcionament de les neurones de cervell humà. De la mateixa manera que una neurona rep i transmet impulsos elèctrics, una neurona artificial rep informació que transforma i envia a altres neurones adjacents. D’aquesta manera, la informació es transforma a mesura que es transmet per totes les neurones fins a arribar a la fi de la xarxa. Finalment, la xarxa oferirà una sortida amb els resultats que hagi obtingut en funció de les dades que hagi rebut com a entrada, de com hagi estat entrenada i l’objectiu per al qual estigui sent utilitzada.
Cal entrenar la xarxa perquè pugui aprendre de les dades que se li proporcionen. D’acord s’entrena una xarxa amb informació, aquesta va modificant les seves neurones fins que és capaç de treure les conclusions correctes, fins i tot amb dades que no se li han proporcionat anteriorment. Per exemple, si introduïm imatges en una xarxa indicant en quines d’aquestes hi ha gossos i en quins no, la xarxa acabés aprenent a trobar gossos en qualsevol imatge nova que se li proporcioni. D’aquesta manera el Deep Learning es pot aplicar en diversos àmbits amb múltiples objectius, des de llegir textos manuscrits, fins esbrinar l’edat d’una persona d’acord amb una imatge.
Informació de matrícula
PROGRAMA
Dilluns 6 de juliol de 2020
INTRODUCCIÓ
Ponent: Juan Ramón Rico Juan
09: 00h – 11: 30h
Descripció de el curs, conceptes bàsics (Machine Learning i Deep Learning) i ús de Python com a llenguatge de programació.
11: 30h – 14: 00h
Introducció i ús de paquets bàsics i avançats com: NumPy: Operacions eficients amb vectors; Pandes: Càrrega en memòria i manipulació de dades; Sklearn: Machine Learning; Keras. deep Learning
Dimarts 7 de juliol de 2020
XARXES convolucionals
Ponent: Antonio Javier Gallego Sánchez.
09: 00h – 11: 30h
xarxes Neuronals
Xarxes Neuronals convolucionals
11: 30h – 14: 00h
Estat de l’art i xarxes pre-entrenades
Xarxes completament convolucionals
Dimecres 8 de juliol de 2020
AUTOENCODERS I INTRODUCCIÓ A XARXES RECURRENTS
Ponent: Antonio Javier Gallego Sánchez
09: 00h – 11: 30h
Autoencoder FC i Conv
Ponent: Jorge Calvo Saragossa
11: 30h – 14: 00h
Fonaments xarxes recurrents
Dijous 9 de juliol de 2020
XARXES RECURRENTS
Ponent: Jorge Calvo Saragossa
09: 00h – 11: 30h
Xarxes recurrents avançades
Esquema sequence-to-sequence
11: 30h – 14: 00h
Predicció d’opinió amb Xarxes recurrents
Exemple: Predir l’opinió sobre els comentaris d’una pel·lícula (IMDB)
Divendres 10 de juliol de 2020
APLICACIONS PRÀCTIQUES
Ponent: Antonio Javier Gallego Sánchez
09: 00h – 11: 30h
Plantejament de projectes relacionats amb els continguts teoricopràctics vistos al curs
Ponent: Jorge Calvo Saragossa
11: 30h – 14: 00h
Desenvolupament de el projecte
Solució de dubtes
Revisió de projectes