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 Postgraduate diploma que abordará con exhaustividad Deep Learning Applied to Computer Vision. 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 Postgraduate diploma en Deep Learning Applied to Computer Vision 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”  

This study plan consists of 3 complete modules, designed by true specialists in Artificial Intelligence. Therefore, the didactic materials will offer the latest innovations in Neural Network evaluation metrics, types of CNN layers and training with regularization. In addition, students will acquire new skills to effectively handle the most advanced tools in object detection. The program will include the analysis of real cases and resolution of complex situations in simulated learning environments.” Graduates will be prepared to overcome any challenge that may arise during their activities. 

A specialist syllabus and top-level teaching materials are the key to a successful career"

Module 1. Deep Learning   

1.1. Artificial Intelligence

1.1.1. Machine Learning
1.1.2. Deep Learning
1.1.3. The Explosion of Deep Learning Why Now

1.2. Neural Networks

1.2.1. The Neural Network
1.2.2. Uses of Neural Networks
1.2.3. Linear Regression and Perceptron
1.2.4. Forward Propagation
1.2.5. Backpropagation
1.2.6. Feature Vectors

1.3. Loss Functions

1.3.1. Loss Functions
1.3.2. Types of Loss Functions
1.3.3. Choice of Loss Functions

1.4. Activation Functions

1.4.1. Activation Function
1.4.2. Linear Functions
1.4.3. Non-Linear Functions
1.4.4. Output vs. Hidden Layer Activation Functions

1.5. Regularization and Normalization

1.5.1. Regularization and Normalization
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. Optimization

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 and Weights

1.7.1. Hyperparameters
1.7.2. Batch Size vs Learning Rate vs Step Decay
1.7.3. Weights

1.8. Evaluation Metrics of a Neural Network

1.8.1. Accuracy
1.8.2. Dice Coefficient
1.8.3. Sensitivity vs Specificity / Recall vs precision
1.8.4. ROC Curve (AUC)
1.8.5. F1-Score
1.8.6. Matrix Confusion
1.8.7. Cross-Validation

1.9. Frameworks and Hardware

1.9.1. Tensor Flow
1.9.2. Pytorch
1.9.3. Caffe
1.9.4. Keras
1.9.5. Hardware for the Training Phase

1.10. Creation of a Neural Network– Training and Validation

1.10.1. Dataset
1.10.2. Network Construction
1.10.3. Education
1.10.4. Visualization of Results

Module 2. Convolutional Neural Networks and Image Classification

2.1. Convolutional Neural Networks 

2.1.1. Introduction
2.1.2. Convolution
2.1.3. CNN Building Blocks

2.2. Types of CNN Layers 

2.2.1. Convolutional 
2.2.2. Activation
2.2.3. Batch Normalization 
2.2.4. Polling
2.2.5. Fully Connected 

2.3. Metrics

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

2.4. Main Architectures 

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

2.5. Image Classification 

2.5.1. Introduction
2.5.2. Analysis of Data 
2.5.3. Data Preparation 
2.5.4. Model Training 
2.5.5. Model Validation

2.6. Practical Considerations for CNN Training 

2.6.1. Optimizer Selection
2.6.2. Learning Rate Scheduler
2.6.3. Check Training Pipeline 
2.6.4. Training with Regularization

2.7. Best Practices in Deep Learning 

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

2.8. Statistical Data Evaluation 

2.8.1. Number of Datasets
2.8.2. Number of Labels 
2.8.3. Number of Images 
2.8.4. Data Balancing

2.9. Deployment

2.9.1. Saving and Loading Models
2.9.2. Onnx
2.9.3. Inference

2.10. Case Study: Image Classification

2.10.1. Data Analysis and Preparation
2.10.2. Testing the Training Pipeline
2.10.3. Model Training
2.10.4. Model Validation

Module 3. Object Detection

3.1. Object Detection and Tracking

3.1.1. Object Detection
3.1.2. Case Uses
3.1.3. Object Tracking
3.1.4. Case Uses
3.1.5. Occlusions, Rigid and Non-Rigid Poses

3.2. Assessment Metrics

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

3.3. Traditional Methods

3.3.1. Sliding Window
3.3.2. Viola Detector
3.3.3. HOG
3.3.4. Non-Maximal Suppresion (NMS)

3.4. Datasets

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

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. Classical Approaches
3.8.2. Particulate Filters
3.8.3. Kalman
3.8.4. Sort Tracker
3.8.5. Deep Sort

3.9. Deployment

3.9.1. Computing Platform
3.9.2. Choice of Backbone
3.9.3. Choice of Framework
3.9.4. Model Optimization
3.9.5. Model Versioning

3.10. Study: People Detection and Tracking

3.10.1. Detection of People
3.10.2. Monitoring of People
3.10.3. Re-Identification
3.10.4. Counting People in Crowds

A training program that is characterized by its flexibility, freedom of schedules and 24-hour availability. Enroll now!”