El curso propuesto tiene como objetivo principal complementar la formación adquirida por los estudiantes y titulados en las distintas especialidades de ingeniería en lo referente a la programación en Python y su utilización en el ámbito de la Inteligencia artificial, optimización y el aprendizaje, en concreto, en la aplicación de Algoritmos Genéticos y de Deep Learning.
En la actualidad se está produciendo un gran desarrollo tecnológico en el campo de la inteligencia artificial y el aprendizaje a partir de datos, propiciando una demanda creciente de ingenieros y técnicos formados en las materias necesarias para el diseño y análisis de técnicas basadas en inteligencia artificial.
Actualmente Python es el lenguaje líder en estos campos, por lo que el curso aborda en primer lugar el aprendizaje de este lenguaje de programación y, a continuación, la utilización de los módulos concretos de Python, especializados en Algoritmos Genéticos y Deep Learning (Keras), respectivamente.
PROGRAMA ACADÉMICO, CALENDARIO Y HORARIO.
1ª Sesión (16 de febrero de 2021 de 17:00h a 21:00h)
Conceptos básicos de Python (4 horas): Introducción a Python. Introducción a la plataforma. Anaconda, Spyder e Ipython. Objetos básicos de Python: Enteros, flotantes, Listas, Tuplas, Cadenas, Diccionarios, etc. Control de flujo y Funciones. Importar librerías Clases.
2ª Sesión (18 de febrero de 2021 de 17:00h a 21:00h)
Librerías para análisis de datos en Python (4 horas): Introducción a Numpy. Introducción a Matplotlib.
3ª Sesión (23 de febrero de 2021 de 17:00h a 21:00h)
Librerías para análisis de datos en Python II (4 horas): Introducción a Pandas.. Visualización de datos con Seaborn.
4ª Sesión (25 de febrero de 2021 de 17:00h a 21:00h)
Algoritmos Genético: Problemas mono objetivo (4 horas): Introducción a los algoritmos genéticos. Introducción a la librería DEAP. Resolución de problemas combinatorios: El problema del viajero y el problema de la mochila.
5ª Sesión (2 de marzo de 2021 de 17:00h a 21:00h)
Algoritmos Genético: Problemas con múltiples objetivos (4 horas): Introducción a la dominancia de Pareto. Algoritmo genético NSGA-II para resolver problemas con múltiples objetivos. Resolución de problemas: Suma de subconjutos y funciones de benchmark.
6ª Sesión (4 de marzo de 2021 de 17:00h a 21:00h)
Conceptos básicos de Machine Learning: el clasificador logístico (4 horas): Introducción a. Machine Learning. Introducción a los clasificadores lineales. El clasificador logístico. Métricas de clasificación. Overfitting y regularización. Desarrollo de ejercicios prácticos.
7ª Sesión (9 de marzo de 2021 de 17:00h a 21:00 h)
Introducción a Deep Learning con Keras (4 horas): Introducción a Deep Learning. Definición de modelos secuenciales en Keras. Entrenamiento de redes neuronales. Métricas de estimación y overfitting. Desarrollo de ejercicios prácticos.
8ª Sesión (11 de marzo de 2021 de 17:00h a 21:00h)
Redes completamente conectadas (4 horas): Inicialización de redes neuronales. Técnicas de regularización. Algoritmos de optimización. Desarrollo de ejercicios prácticos.
9ª Sesión (16 de marzo de 2021 de 17:00h a 21:00h)
Redes neuronales convolucionales (4 horas): Introducción a visión por computador. La capa convolucional. Clasificación de imágenes con redes neuronales convolucionales. Data augmentation. Redes neuronales pre-entrenadas. Transfer learning. Desarrollo de ejercicios prácticos.
10ª Sesión (18 de marzo de 2021 de 17:00h a 21:00h)
Redes neuronales recurrentes (4 horas): Introducción a los modelos secuenciales. Celda básica y celdas GRU y LSTM. Análisis de series temporales. Desarrollo de ejercicios prácticos.
Como trabajo de los estudiantes, deberán desarrollar dos proyectos como extensión de los contenidos impartidos en el curso. El primero de ellos consistirá en el modelado y resolución de un problema de optimización usando optimización Bayesiana. El segundo consistirá en emplear los algoritmos de machine learning estudiados para resolver un problema de los retos planteados en Kaggle (www.kaggle.com).
La comunicación profesor estudiante para la entrega y evaluación de los trabajos será a través del curso habilitado en la plataforma Moodle de la Universidad de Córdoba.
Matriculación: https://www.uco.es/idep/matricula-estudios-propios (Estudio: 3920/1ª Edición/Área: Técnicas)
Contacto: Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.