CURSO “INTRODUCCIÓN PRÁCTICA AL APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING)”

Loading Map....

Fecha/Hora
Date(s) - 08/10/2018 - 12/11/2018
18:00 - 20:30

Ubicación
Sede del COIIAOC en Sevilla

Categorías


PRESENTACIÓN

Este núcleo formativo de 15 horas proporciona información sobre el poder del aprendizaje automático y la cantidad de aplicaciones inteligentes que pueden desarrollarse. Hablaremos también sobre el pasado, presente y futuro de esta área de la Inteligencia Artificial.

Prepararemos el entorno de desarrollo donde completaremos y evaluaremos los casos prácticos de estudio:

    Lenguaje de programación Python (distribución científica Anaconda)

    iPython notebooks como herramienta de visualización del código en un formato amigable

    Turi Create como entorno de desarrollo de aplicaciones de Aprendizaje Automático con Python

  1. Regresión: Predicción de precios de la vivienda

En este núcleo estudiaremos la primera aplicación inteligente que hace predicciones a partir de datos.

Exploraremos esta idea en el contexto de la predicción de los precios de la vivienda, donde crearemos modelos que predicen un valor continuo (precio) a partir de las características físicas (

Otras aplicaciones de la técnica de regresión van desde predecir resultados de salud en medicina, precios de acciones en finanzas y uso de energía en computación de alto rendimiento, hasta analizar qué reguladores son importantes para la expresión génica.

También abordaremos cómo analizar el rendimiento del modelo predictivo y cómo implementa la regresión en la práctica utilizando un PC con iPython.

2. Clasificación: Análisis de sentimiento

¿Cómo se puede averiguar si una persona valora positiva o negativamente una experiencia a partir de una breve reseña escrita?

En nuestro segundo caso de estudio crearemos modelos que predicen una clase (sentimiento positivo / negativo) a partir de las características de entrada (texto de las revisiones, información de perfil de usuario, …). Esta tarea es un ejemplo de clasificación, una de las áreas de aprendizaje automático más utilizadas, con una amplia gama de aplicaciones: segmentación de anuncios, detección de spam, diagnóstico médico y clasificación de imágenes.

Analizaremos la precisión de su clasificador e implementaremos un clasificador real en una iPython.

3. Agrupación y similitud: recuperación de documentos

En este tercer caso de estudio, al recuperar documentos, examinaremos varias representaciones de documentos y el algoritmo para recuperar el subconjunto más similar.

También consideraremos representaciones estructuradas de los documentos que agrupen automáticamente los artículos por similitud (por ejemplo, tema del documento).

Crearemos un sistema inteligente de recuperación de documentos para las entradas de Wikipedia.

4. Recomendación de productos

¿Cómo produce Amazon sus recomendaciones de productos personalizados? ¿Cómo sugiere Netflix películas para ver? ¿Cómo selecciona Spotify la próxima canción para transmitir? ¿Cómo Facebook o LinkedIn encuentran personas con las que te puedes conectar?

Detrás de todas estas tecnologías para el contenido personalizado hay algo llamado filtrado colaborativo.

Aprenderemos a construir un sistema de recomendación de este tipo usando una variedad de técnicas y explorará sus ventajas y desventajas.

Un método que examinamos es la factorización de la matriz, que aprende las características de los usuarios y productos para formar recomendaciones.

En nuestro PC con iPython utilizaremos estas técnicas para crear un sistema de recomendación de canciones.

5.  Aprendizaje profundo: búsqueda de imágenes

El desarrollo de técnicas de Deep Learning está haciendo que esta área del Machine Learning se convierta una de las más prometedoras. Todas las industrias están dedicando recursos para desbloquear el potencial de aprendizaje profundo, incluso para tareas como etiquetado de imágenes, reconocimiento de objetos, reconocimiento de voz y análisis de texto.

En nuestro estudio de caso final, a través de la búsqueda de imágenes, aprenderemos cómo las capas de redes neuronales proporcionan características muy descriptivas (no lineales) que proporcionan un gran rendimiento en tareas de clasificación y recuperación de imágenes.

A continuación construiremos características profundas, una técnica de aprendizaje de transferencia que permite aplicar el Deep Learning muy fácilmente, incluso cuando tiene pocos datos para capacitar al modelo.

Usando las notebooks iPhython, construiremos un clasificador de imágenes y un sistema inteligente de recuperación de imágenes con esta técnica.

6.  Conclusiones

Describiremos la etapa final para convertir nuestras herramientas de aprendizaje automático en un servicio. Por tanto, nos centraremos en la implementación en entornos de producción.

También discutiremos los desafíos abiertos que afronta el campo del aprendizaje automático, apuntando cuál puede ser su evolución futura.

Materiales:

PC y conexión a internet

PROFESORADO

Bernardo Ronquillo Japón, Robótica & Mecatrónica en The Robot Academy, así como su fundador.

Ingeniero Industrial con 23 años de experiencia y también Psicólogo, habiendo pasado por los más diversos proyectos tecnológicos desde el año 1995: Instituto de Astrofísica de CanariasGran Telescopio Canarias y Altran Technologies.

Experto en Robótica y Mecatrónica, trabajando en los entornos hardware-software: ArduinoRaspberry Pi ROS (Robot Operating System).
Perfil profesional detallado en Linkedin

DATOS DEL CURSO

FECHAS: 8, 15, 22, 29 de octubre, 5 y 12 de noviembre (lunes de 18:00 a 20:30)

Lugar: Sede del COIIAOC en Sevilla (C/ Dr. Antonio Cortés Lladó, 6)

IMPORTE:

Colegiados, Precolegiados y Adheridos del COIIAOC: 120 Euros

NO Colegiados del COIIAOC: 228 Euros

RESERVA

Las reservas están cerradas para este evento.