Deep Learning para tratamiento de imágenes

IRAUNKORTASUNARI HAMAIKA BEGIRADA en Debagoiena
7 mayo, 2024
Hizkuntzen kudeaketa eta euskara gure enpresetan: hiru esperientzia
8 mayo, 2024

Deep Learning para tratamiento de imágenes

  • Lugar PTGaraia
  • Organizador Garaia Enpresa Digitala
  • Fecha 21 y 22 de mayo
  • Horario 09:00 - 14:00
  • Precio 50€

DEEP LEARNING PARA TRATAMIENTO DE IMÁGENES

Fecha: Del 21/05/2024 al 22/05/2024
Hora: 09:00 – 14:00
Lugar: Garaia Enpresa Digitala – Garaia Parke Teknologikoa
Organizador: Garaia Enpresa Digitala
Precio: 50€

Este programa de formación está diseñado para técnicos de empresa, técnicos de centros de investigación y profesores de formación profesional que deseen adquirir conocimientos en el campo del aprendizaje profundo o Deep Learning (DL) utilizando imágenes. 

En la industria, la IA se utiliza para resolver una amplia variedad de problemas, como la detección de defectos en la fabricación, la optimización de la cadena de suministro, la predicción de la demanda y la mejora de la eficiencia energética. Además, la IA se utiliza para mejorar la calidad de los productos y servicios, lo que puede aumentar la satisfacción del cliente y la lealtad a la marca. También puede ayudar a las empresas a optimizar sus operaciones y a reducir su huella de carbono, así como de los propios módulos de IA. 

A lo largo del curso, se impartirá una formación teórica y práctica de técnicas basadas en el aprendizaje profundo o Deep Learning en la que se cubrirán los siguientes temas: 

  • Aprendizaje profundo supervisado: Redes Convolucionales (CNN) para clasificación de imágenes, segmentación, detección de objetos y redes recurrentes. 
  • Aprendizaje profundo no-supervisado: Autoencoders, redes adversariales y detección de anomalías. 
  • Despliegue de los módulos de aprendizaje profundo (hardware dedicado o Edge Computing). 
  • Técnicas para minimizar la huella de carbono de la IA 

Programa 

1. Deep Learning Supervisado para clasificación y segmentación de imágenes 

  • Redes Convolucionales (CNN) para clasificación de imágenes 
  • Segmentación 
  • Detección de objetos 
  • Redes recurrentes 

2. Deep Learning No-supervisado 

  • Autoencoders 
  • Redes adversariales 
  • Detección de Anomalías 

3. Casos Prácticos en la industria  

  • Metodología de implantación de solución DL en la industria 
  • Implementación en Edge Computing (Nvidia Jetson) 
  • Técnicas para minimizar la huella de carbono de la IA 

Prerrequisitos

  • Se requiere de conocimientos previos en lenguajes de programación Python. Y recomendable tener conocimientos de Machine Learning básico.