Dominarás los principales tipos de capas CNN e identificarás mayores porciones de las imágenes gracias a este programa 100% online”

Las Redes Convolucionales se han consolidado como una herramienta versátil en el ámbito de la Visión Artificial. Su importancia radica en su capacidad para analizar, entender y procesar imágenes o vídeos de un modo automatizado a la par que eficiente. Entre la diversidad de sus aplicaciones, destaca su relevancia en la Autenticación Biomédica al analizar características faciales únicas de una persona y compararlas con una base de datos para verificar su identidad. Esto es indispensable en aspectos como la seguridad en los aeropuertos o el control de acceso en edificios, entre otros.  

En este contexto, TECH desarrolla una experto universitario que abordará con exhaustividad ##el/la## Deep Learning Aplicado a la Visión por Computador. El plan de estudios profundizará en el empleo del Machine learning, dada su importancia para reconocer patrones y realizar tareas específicas de análisis. Asimismo, el temario abordará todo el ciclo de creación de una Red Neuronal, prestando una cuidadosa atención a su entrenamiento y validación. Por otra parte, los alumnos se nutrirán de las estrategias más avanzadas para la Detección y Seguimiento de Objetos. En sintonía con esto, implementarán métricas de evaluación vanguardistas, entre las que se incluyen la Intersection Over Union o Confidence Score. 

Por otro lado, para afianzar el dominio de los contenidos, esta titulación universitaria aplica el revolucionario sistema del Relearning. TECH es pionera en el uso de ese modelo de enseñanza, que promueve la asimilación de conceptos complejos a través de la reiteración natural y progresiva de los mismos. Así los estudiantes no tienen que recurrir a técnicas complejas como la tradicional memorización. En esta línea, también el programa se nutre de materiales en diversos formatos como infografías, resúmenes interactivos o vídeos explicativos. Todo ello en una cómoda modalidad 100% online, que permite a los alumnos ajustar los horarios en función de sus responsabilidades y circunstancias personales.    

Profundiza en las Métricas de Evaluación de Algoritmos de Seguimiento gracias a TECH, la mejor universidad digital del mundo según Forbes”  

Esta experto universitario en Deep Learning Aplicado a la Visión por Computador contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son: 

• El desarrollo de casos prácticos presentados por expertos en deep learning, informática y visión artificial
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información científica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Su especial hincapié en metodologías innovadoras 
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

¿Quieres convertirte en un experto del Machine Learning? Lógralo en tan solo 6 meses gracias a este innovador programa”  

El programa incluye, en su cuadro docente, a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio. 

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales.

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, contará con la ayuda de un novedoso sistema de vídeo interactivo realizado por reconocidos expertos.  

Actualiza tus conocimientos en Detección de Objetos a través de un contenido multimedia innovador”   

¡Olvídate de memorizar! Con el sistema del Relearning integrarás los conceptos de manera natural y progresiva”  

Este plan de estudio consta de 3 completos módulos, diseñados por auténticos especialistas en Inteligencia Artificial. Por ello, los materiales didácticos ofrecerán las últimas innovaciones en las métricas de evaluación de las Redes Neuronales, los tipos de capas CNN y el entrenamiento con regularización. Además, el alumnado adquirirá nuevas destrezas para manejar con eficacia las herramientas más avanzadas en la detección de objetos. La capacitación incluirá el análisis de casos reales y resolución de situaciones complejas en entornos simulados de aprendizaje. Así los egresados estarán preparados para superar cualquier desafío que se le presente durante sus actividades.

Un temario realizado por especialistas y un material didáctico de máximo nivel son la clave para una carrera profesional exitosa”    

Módulo 1. Deep learning   

1.1. Inteligencia artificial

1.1.1. Machine learning
1.1.2. Deep learning
1.1.3. La explosión del deep learning. Por qué ahora

1.2. Redes neuronales

1.2.1. La red neuronal
1.2.2. Usos de las redes neuronales
1.2.3. Regresión lineal y Perceptron
1.2.4. Forward propagation
1.2.5. Backpropagation
1.2.6. Feature vectors

1.3. Loss Functions

1.3.1. Loss function
1.3.2. Tipos de loss functions
1.3.3. Elección de la loss function

1.4. Funciones de activación

1.4.1. Función de activación
1.4.2. Funciones lineales
1.4.3. Funciones no lineales
1.4.4. Output vs Hidden layer activation functions

1.5. Regularización y Normalización

1.5.1. Regularización y Normalización
1.5.2. Overfitting and Data Augmentation
1.5.3. Regularization methods: L1, L2 and dropout
1.5.4. Normalization methods: Batch, Weight, Layer

1.6. Optimización

1.6.1. Gradient Descent
1.6.2. Stochastic Gradient Descent
1.6.3. Mini Batch Gradient Descent
1.6.4. Momentum
1.6.5. Adam

1.7. Hyperparameter Tuning y Pesos

1.7.1. Los hiperparámetros
1.7.2. Batch Size vs Learning Rate vs Step Decay
1.7.3. Pesos

1.8. Métricas de evaluación de una red neuronal

1.8.1. Accuracy
1.8.2. Dice coefficient
1.8.3. Sensitivity vs Specificity / Recall vs precision
1.8.4. Curva ROC (AUC)
1.8.5. F1-score
1.8.6. Confusion matrix
1.8.7. Cross-validation

1.9. Frameworks y Hardware

1.9.1. Tensor Flow
1.9.2. Pytorch
1.9.3. Caffe
1.9.4. Keras
1.9.5. Hardware para la Fase de Entrenamiento

1.10. Creación de una Red Neuronal – Entrenamiento y Validación

1.10.1. Dataset
1.10.2. Construcción de la red
1.10.3. Entrenamiento
1.10.4. Visualización de resultados

Módulo 2. Redes Convolucionales y Clasificación de Imágenes

2.1. Redes neuronales convolucionales 

2.1.1. Introducciónn
2.1.2. La convolución
2.1.3.CNN Building Blocks

2.2. Tipos de capas CNN 

2.2.1. Convolutional 
2.2.2. Activation
2.2.3. Batch normalization 
2.2.4. Polling
2.2.5. Fully connected 

2.3. Métricas

2.3.1. Confusión Matrix 
2.3.2. Accuracy 
2.3.3. Precisión 
2.3.4. Recall
2.3.5.F1 Score 
2.3.6.ROC Curve 
2.3.7. AUC

2.4. Principales arquitecturas 

2.4.1. AlexNet
2.4.2.VGG 
2.4.3. Resnet 
2.4.4. GoogleLeNet

2.5. Clasificación de imágenes 

2.5.1. Introducciónn
2.5.2. Análisis de los datos 
2.5.3. Preparación de los datos 
2.5.4. Entrenamiento del modelo 
2.5.5. Validación del modelo

2.6. Consideraciones prácticas para el entrenamiento de CNN 

2.6.1.Selección de optimizador
2.6.2.Learning Rate Scheduler
2.6.3. Comprobar pipeline de entrenamiento 
2.6.4. Entrenamiento con regularización

2.7. Buenas prácticas en Deep Learning 

2.7.1. Transfer learning
2.7.2. Fine Tuning
2.7.3. Data Augmentation

2.8. Evaluación estadística de datos 

2.8.1. Número de datasets
2.8.2. Número de etiquetas 
2.8.3. Número de imágenes 
2.8.4. Balanceo de datos

2.9. Deployment

2.9.1. Guardando y cargando modelos
2.9.2. Onnx
2.9.3. Inferencia

2.10. Caso Práctico: Clasificación de Imágenes

2.10.1.  Análisis y preparación de los datos
2.10.2.  Testeo de la pipeline de entrenamiento
2.10.3.  Entrenamiento del modelo
2.10.4.  Validación del modelo

Módulo 3. Detección de objetos

3.1. Detección y Seguimiento de Objetos

3.1.1. Detección de Objetos
3.1.2. Casos de uso
3.1.3. Seguimiento de objetos
3.1.4. Casos de uso
3.1.5. Oclusiones, Rigid and No Rigid Poses

3.2. Métricas de Evaluación

3.2.1. IOU - Intersection Over Union
3.2.2. Confidence Score
3.2.3. Recall
3.2.4. Precisión
3.2.5. Recall – Precision Curve
3.2.6. Mean Average Precision (mAP)

3.3. Métodos tradicionales

3.3.1. Sliding window
3.3.2. Viola detector
3.3.3. HOG
3.3.4. Non Maximal Supresion (NMS)

3.4. Datasets

3.4.1. Pascal VC
3.4.2. MS Coco
3.4.3. ImageNet (2014)
3.4.4. MOTA Challenge

3.5. Two Shot Object Detector

3.5.1. R-CNN
3.5.2. Fast R-CNN
3.5.3. Faster R-CNN
3.5.4. Mask R-CNN

3.6. Single Shot Object Detector

3.6.1. SSD
3.6.2. YOLO
3.6.3. RetinaNet
3.6.4. CenterNet
3.6.5. EfficientDet

3.7. Backbones

3.7.1. VGG
3.7.2. ResNet
3.7.3. Mobilenet
3.7.4. Shufflenet
3.7.5. Darknet

3.8. Object Tracking

3.8.1. Enfoques clásicos
3.8.2. Filtros de partículas
3.8.3. Kalman
3.8.4. Sort tracker
3.8.5. Deep Sort

3.9. Despliegue

3.9.1. Plataforma de Computación
3.9.2. Elección del Backbone
3.9.3. Elección del Framework
3.9.4. Optimización de Modelos
3.9.5. Versionado de Modelos

3.10. Estudio: Detección y Seguimiento de Personas

3.10.1. Detección de personas
3.10.2. Seguimiento de personas
3.10.3. Reidentificación
3.10.4. Conteo de personas en multitudes

Una capacitación que se caracteriza por su flexibilidad libertad de horarios y con un temario disponible las 24 horas del día. ¡Matricúlate ya!”