El curso es organizado por Datitos, un grupo de científicos/as de datos que viven y trabajan en Mendoza, Argentina. El equipo docente se encuentra conformado por Luciano Robino, Pablo Marinozi y Matias Battocchia.

Formato

Las clases comienzan en marzo y se extienden hasta junio, el curso se compone por un total de 24 clases. Los videos de las clases estarán disponibles los lunes y los miércoles a las 8:30 en este canal de YouTube. A las mismas, los inscriptos deberán realizar 10 trabajos prácticos, 2 exámenes y la realización de un proyecto final. 

Contenidos

El curso provee una introducción práctica al aprendizaje profundo, incluyendo motivaciones teóricas y cómo llevarlas a la práctica. A lo largo del mismo haremos énfasis en implementaciones eficientes, optimización y escalabilidad; en la utilización de múltiples GPUs y múltiples computadoras. El objetivo es que obtengas tanto buen entendimiento como buena habilidad para construir modelos modernos.

Unidad 1: Aprendizaje automático

En la primera parte veremos conceptos y técnicas básicas del aprendizaje automático y del aprendizaje profundo.

Temas de esta unidad son regresión lineal, funciones de pérdida, técnicas de regularización, perceptrón multicapa, algoritmo de backpropagation, diferenciación automática, descenso por el gradiente estocástico, algoritmos de optimización.

Unidad 2: Visión por computadora

A partir de la segunda unidad nos enfocaremos en técnicas modernas de aprendizaje profundo. Vamos a introducir las redes neuronales convolucionales (CNNs) para el procesamiento de imágenes, empezando por la simple LeNet hacia arquitecturas más recientes como ResNet.

Durante esta parte veremos varios componentes clave que establecen las bases para implementar modelos más complejos. Tópicos de esta unidad también son las técnicas de transfer learning y fine-tuning.

Llegaremos a ver algo de redes generativas antagónicas (GANs).

Unidad 3: Procesamiento de lenguaje natural

En esta unidad introduciremos las redes neuronales recurrentes (RNNs), modelos que explotan la estructura temporal o secuencial de los datos, usados comúnmente para el procesamiento de lenguaje natural y la predicción de series temporales.

Una nueva clase de modelos que emplean una técnica llamada mecanismos de atención han desplazado a las RNNs en el procesamiento de lenguaje natural — les dedicaremos una buena parte de esta unidad.

Unidad 4: Sistemas de recomendación

Finalmente en una unidad breve, veremos sistemas de recomendación —necesidad frecuente de la industria— y de cómo el aprendizaje profundo habilita la factorización de matrices de grandes proporciones.

Inscripción

Dado el tamaño del equipo docente, la capacidad de corrección y seguimiento es limitada, por lo que existe un cupo de inscripción. Para la selección se priorizará:

• Cumplimiento de los prerrequisitos.
• Radicación en la provincia de Mendoza.
• Pertenencia a grupos minoritarios.

El material del curso es de acceso libre y gratuito, independientemente del resultado de la selección. Te contactaremos por correo para avisarte del resultado de la pre-inscripción.

Más información e inscripciones: https://datitos.github.io/curso-aprendizaje-profundo/