Deep Learning para la Visión Artificial aplicado a la industria

Mondragon Goi Eskola Politeknikoa celebra en Garaia el concurso de ideas de negocio en Emprendimiento Tecnológico
1 febrero, 2021
Garaia y MGEP celebran el Día Internacional de la Mujer y Niña en la Ciencia
12 febrero, 2021

Deep Learning para la Visión Artificial aplicado a la industria

  • Lugar Online
  • Organizador Garaia Enpresa Digitala
  • Fecha Del 29/10/2021 al 03/12/2021
  • Horario 09:00 - 14:00
  • Precio 240€

DEEP LEARNING PARA LA VISIÓN ARTIFICIAL APLICADO A LA INDUSTRIA

Fecha: Del 29/10/2021 al 03/12/2021
Hora: 09:00 – 14:00
Lugar: Garaia Enpresa Digitala. Garaia Parke Teknologikoa, Goiru 1, 20500 Arrasate-Mondragon
Organizador: Garaia Enpresa Digitala
Precio: 240€

Dentro de los sistemas de Machine Learning (aprendizaje automático) en el que las máquinas aprenden y mejoran su comportamiento, existe la rama o técnica del Deep Learning, en donde los algoritmos utilizados imitan las funciones cognitivas humanas, generando redes neuronales artificiales.

Dentro de las múltiples potencialidades de este complejo y completo sistema, el Deep Learning destaca en los procesos de análisis, reconocimiento y clasificación de imágenes. Durante este curso el objetivo es que el asistente conozca qué es y cómo funciona el Deep Learning, para adentrarse después en los diferentes tipos de redes, modelos y aplicaciones, con especial hincapié en la aplicación en el sector de la industria.

Dirigido a

Profesionales técnicos de cualquier sector de actividad (técnicos de laboratorio, técnicos e ingenieros/as industriales, etc.) interesados/as en adquirir conocimientos y capacidades en el entorno del uso del Deep Learning  para abordar problemas actuales dentro del contexto específico de la Visión Artificial.

Requisitos

  • Conocimientos básicos de programación.
  • Aforo limitado de 12 plazas.
  • Se realizará un proceso de selección.

Programa

  1. Programación en Python
  2. Introducción a Deep Learning – Conceptos Básicos 
    1. Qué son, Cómo funcionan, Cómo se entrenan, Cómo utilizarlas
    2. Diseño y ajuste
    3. Entornos de programación
    4. Librerías más utilizadas (Tensorflow, Keras)
  3. Deep Learning Supervisado
    1. Redes Convolucionales (CNN) para clasificación de imágenes
    2. Diferentes maneras de generar Modelos
    3. Segmentación
    4. Detección de objetos
  4. Deep Learning No-supervisado
    1. Autoencoders
    2. Redes adversariales
    3. Detección de Anomalías
  5. Casos Prácticos en la industria
    1. Metodología de implantación de solución DL en la industria