Introducción a técnicas de inteligencia artificial para la clasificación de imágenes

[CUPO COMPLETO]
03,  10 y 24 de junio de 2019
de 9 A 17 hs.
Aula de Posgrado Facultad de Ciencias Agrarias UNR
Campo Experimental Villarino – Zavalla Santa Fe

DOCENTE RESPONSABLE:
Ing. Sist. (Esp) Alejandro D. Pistilli

DOCENTES INVITADOS:
Ing. Sist. Franco Ferrero, Ing. Sist. Pablo E. Pistilli, Ing. Sist. Santiago Diez, Ing. Sist. (Mgt) Juan Miguel Moine.

CARGA HORARIA: 30 horas. (21 horas presenciales y 9 virtuales, de las cuales el 60% son teóricas y el restante 40% son prácticas.)

OBJETIVOS DEL CURSO

  • Introducir a los fundamentos teóricos y prácticos de Deep Learning y Computer Vision como técnicas de Inteligencia Artificial.
  • Aplicar Deep Learning para resolver problemas de clasificación de imágenes.

JUSTIFICACIÓN DEL CURSO

El campo de la inteligencia artificial (IA) está dando a luz a toda una nueva generación de técnicas y herramientas que permiten la extracción de información a partir de grandes y variados volúmenes de datos. Particularmente, el Deep Learning (DL) [1] propició grandes avances utilizando redes neuronales artificiales [2] capaces de modelar abstracciones de alto nivel en datos complejos, como lo son las imágenes, revolucionando de esta manera todo lo que se conocía en la disciplina de Visión Artificial [3].

Es entonces el objetivo de este curso, el introducir al empleo de las técnicas de Deep Learning para el caso puntual de identificación en imágenes de especies vegetales mediante la utilización de redes neuronales. Con este fin se realizarán diferentes tipos de análisis basados en técnicas novedosas y en auge de utilización, como lo son las relacionadas con redes neuronales convolucionales [4].

De esta forma, se busca que los participantes del curso puedan obtener una base sólida en lo que se refiere al manejo de redes neuronales y así fomentar la utilización de estas poderosas técnicas de análisis de imágenes digitales de sistemas biológicos, difundiendo las ventajas e impactos de su incorporación en las experimentaciones, ya sea tanto para la producción como la investigación.

Referencias:

  1. Bengio, Y. (2009). Learning deep architectures for AI. Foundations and trends® in Machine Learning, 2(1), 1-127.
  2. Redes neuronales. https://es.wikipedia.org/wiki/Red_neuronal
  3. Visión Artificial. https://es.wikipedia.org/wiki/Visi%C3%B3n_artificial
  4. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105).

 

PROGRAMA DE LA ASIGNATURA

UNIDAD I. (7 horas) Introducción al Deep Learning y reseña de su impacto en la disciplina de Visión artificial. Presentación de modelos de Inteligencia artificial para la construcción, optimización y escalado de algoritmos de Deep Learning que emulan las habilidades humanas básicas como visión. Introducción a redes neuronales artificiales (RNA). Modelos conexionistas. Mecanismos de aprendizaje. Estructura de una red neuronal, partes que la componen y funcionamiento. El perceptrón y su aprendizaje.

UNIDAD II. (7 horas) Tipos de redes neuronales y su utilización. Redes neuronales convolucionales (RNCs), Redes neuronales recurrentes (RNNs), Redes neuronales convolucionales long short-term memory (LSTM) y demás. Introducción a la Convolución. Estructura de una RNC y sus componentes. Etapas de entrenamiento y validación de una RNA. Introducción al uso y armado de datasets de imágenes para producción y para investigación.

UNIDAD III. (7 horas) Introducción a utilización de notebooks Jupyter para ejecución de código dinámico de Deep Learning. Listado de comandos importantes para Linux/Unix útiles para el trabajo del científico de datos. Lenguaje Python, variables, estructura de datos, sintaxis y semántica, y librerías externas. Utilización de Tensorflow, librería de código abierto para Deep Learning orientada el diseño de redes neuronales artificiales estructuradas.

UNIDAD IV. (9 horas) Trabajo práctico integrador. Se utilizará todo lo aprendido en el curso referente a RNA, datasets de imágenes, Linux, Python, Jupyter y Tensorflow para implementar un modelo de inteligencia artificial automático de clasificación de imágenes de vegetales en estadío temprano de maduración. (Con la alternativa de adaptarlo a otros dataset de imágenes biológicas distintos).

DICTADO DE LA ASIGNATURA: El curso se desarrollará en tres encuentros presenciales de 7 horas cada uno. Los contenidos de las distintas unidades se desarrollarán en clases teóricas y prácticas para profundizar y fijar conceptos en trabajos prácticos de aula. Se ejercitará la teoría con problemáticas prácticas, utilizando diferentes plataformas informáticas. En este sentido, el proceso de enseñanza aprendizaje se estructurará en forma de taller, como espacio destinado a que los participantes adquieran conocimientos en una práctica concreta que se presenta como problema y situación de aprendizaje y al mismo tiempo como un estímulo para la reflexión teórica. El trabajo docente está orientado al logro de sujetos activos que participen en el aprendizaje.

EVALUACIÓN:
Para aprobar el curso el alumno deberá asistir al 75% de las clases presenciales y alcanzar como mínimo 6 punto de 10 en un trabajo final teórico/práctico. Quien no alcance el puntaje mínimo tendrá la posibilidad de una instancia de recuperatorio.

PROFESIONALES A LOS QUE ESTÁ DIRIGIDO EL CURSO:
Ingenieros Agrónomos, Licenciados en Biotecnología, Biólogos, Ingenieros en Sistemas, Licenciados en Estadística, Licenciados en Informática, Analistas de Sistemas, Licenciados en Genética, Licenciados en Bioinformática, otros profesionales afines.

CUPO:  Mínimo de 6 estudiantes y un máximo de 15 estudiantes.

ARANCEL: $3000

BIBLIOGRAFÍA

 

 

Leave a Reply