Deep Learning para Visión Artificial

KREAN avanza hacia la neutralidad en emisiones de CO2
21 marzo, 2024
APTE presenta en Transfiere a las 100 startups innovadoras de los parques científicos y tecnológicos en 2023
22 marzo, 2024

Deep Learning para Visión Artificial

  • Lugar PTGaraia
  • Organizador Garaia Enpresa Digitala
  • Fecha 8, 11, 15 y 18 de abril
  • Horario 09:00 - 14:00
  • Precio 90€

DEEP LEARNING PARA VISIÓN ARTIICIAL

Fecha: 8, 11, 15 y 18 de abril
Hora:
09:00 – 14:00
Lugar:
Garaia Enpresa Digitala. Garaia Parke Teknologikoa
Organizador:
Garaia Enpresa Digitala
Precio:
90€

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. 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.
Durante el curso se realizarán ejercicios prácticos utilizando Python.

Dirigido a:

Profesionales técnicos de cualquier sector de actividad (técnicos de laboratorio, técnicos e ingenieros industriales, profesores de formación profesional, etc.) interesados en adquirir conocimientos para abordar problemas actuales dentro del contexto específico del tratamiento de imágenes con Deep Learning.

Requisitos:

  • Conocimientos básicos de programación, preferiblemente en Python.
  • Conocimientos básicos de Machine Learning con Python.

Programa:

  • Programación: Entornos de programación (Colab, Jupyter, Nativo) y conceptos básicos de Python (Numpy, Pandas, Matplot, …).
  • Introducción al Deep Learning: Conceptos básicos de Pytorch, Tensorflow y Keras, y conceptos básicos de regresión y clasificación.
  • Deep Learning supervisado: Redes Convolucionales (CNN) para clasificación de imágenes, segmentación, detección de objetos y redes recurrentes.
  • Deep Learning no-supervisado: Autoencoders, redes adversariales y detección de anomalías.
  • Despliegue de los módulos de Deep Learning (hardware dedicado o Edge Computing).
  • Técnicas para minimizar la huella de carbono de la IAM8 Deep Learning