Notas para los instructores:
En el siguiente se encuentra la presentación para el curso.
El contenido teórico se encuentra en la wiki.
Objetivo del curso
El curso de Deep Learning presentado utiliza herramientas básicas de código abierto. Pretende introducir al usuario a este entorno de programación para el entrenamiento, prueba y detección de objetos utilizando redes neuronales en Tensorflow con un enfoque teórico-práctico.
Contenido del curso
- Introducción a Machine Learning.
- Introducción a Deep Learning.
- Introducción a Tensorflow.
- Redes neuronales biológicas vs redes neuronales artificiales.
- Funciones de activación.
- Regresión lineal.
- Modelos de redes neuronales artificiales.
- Función de pérdida.
- Feed-forward y back-propagation.
- Inicialización y actualización de pesos.
- Batch normalization.
- Pooling.
- Dropout.
- Regularización.
- Redes neuronales convolucionales.
- Diversión y mucho más.
Requisitos
Anaconda (para Windows, iOs o Linux) con Python 2.7+ (https://www.anaconda.com/download/)
Cuenta activa de Github (github.com)
Instalación de librerías
conda create -n py36 python=3.6 anaconda
conda activate py36
conda install -c anaconda git jupyter numpy matplotlib cython scikit-image
pip install opencv-contrib-python
pip install ttictoc
conda install tensorflow
conda install -c conda-forge tqdm
conda install -c conda-forge keras
conda install pytictoc -c ecf
conda install -c cogsci pygame
o pip install pygame
conda install -c anaconda pillow
conda update --all
Probablemente te preguntes ¿Cómo puedes comprobar que tu instalación es correcta? Escribe las siguientes líneas de código:
python -V
git --version
jupyter --version
python
import numpy as np
import matplotlib as plt
import cv2
cv2.version
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
exit()
Instructores
Ing. Héctor Sánchez Barrera, hsanchezb1600@alumno.ipn.mx
Ing. Dagoberto Pulido, dpulidoa1600@alumno.ipn.mx
M. En TA. Sandra de la Fuente, sdelafuenteb1400@alumno.ipn.mx
Organizadores
M. En TA. Raymundo Ramos.
M. En TA. Christian Matilde.
Referencias
Cursos relacionados
Fei-Fei Li, Andrej Karpathy, Justin Johnson, “CS231n: Convolutional Neural Networks for Visual Recognition”. Stanford University, Spring 2016.
Mariano Rivera, Alan Reyes, Francisco Gurrola, Ulises Rodríguez, “XII Taller-Escuela de Procesamiento de Imágenes (PI18). Taller Keras”. CIMAT, 2018.
Sanja Fidler, “Deep Learning in Computer Vision”. University of Toronto, Winter 2016.
Hugo Larochelle, “Neural Networks”. Université de Sheerbroke.
Joan Bruna, “Stats212b: Topics on Deep Learning”. Berkeley University. Spring 2016.
Yann LeCun, “Deep Learning: Nine Lectures at Collège de France”. Collège de France, Spring 2016. [Facebook page]
Dhruv Batra, “ECE 6504: Deep learning for perception”. Virginia Tech, Fall 2015.
Vincent Vanhoucke, Arpan Chakraborty, “Deep Learning”. Google 2016.
Xavier Giro-i-Nieto, “Deep learning for computer vision: Image, Object, Video Analytics and Beyond”. LaSalle URL. May 2016.
German Ros, Joost van de Weijer, Marc Masana, Yaxing Wang, “Hands-on Deep Learning with Matconvnet”. Computer Vision Center (CVC) 2015.
Niloy J. Mitra, Iasonas Kokkinos, Paul Guerrero, Vladimir Kim, Kostas Rematas, Tobias Ritschel, “Deep Learning for Graphics”. Eurographics 2018.
Xavier Giro-i-Nieto, Elisa Sayrol, Amaia Salvador, Jordi Torres, Eva Mohedano, Kevin McGuinness, “Deep Learning for Computer Vision Barcelona”. UPC ETSETB TelecomBCN 2016.
Fuentes de información
-
Gonzalez, R. C., & Woods, R. E. (2002). Digital image processing second edition. Beijing: Publishing House of Electronics Industry, 455.
-
Goodfellow, I., Bengio, Y,, & Courville A. (2016). Deep Learning. [Consultation: 22/02/2016]. Available on: http://www.deeplearningbook.org/.
-
Trask, A. (2016). Grokking deep learning.
-
Salas J. (2018). Reconocimiento de patrones. CICATA Qro. IPN.
-
Publicaciones diversas.
-
Apuntes personales.
-
Referencias diversas de Tensorflow, Python, OpenCV, Nvidia Digits, Udacity.
Juega con la demostración gráfica de deep learning!