Deep learning

¿Qué pretende?

Comprender los conceptos fundamentales de Deep Learning y las diferencias con otros enfoques de aprendizaje automático, identificando aplicaciones clave en la industria. Configurar un entorno de desarrollo de Deep Learning utilizando bibliotecas populares como TensorFlow o PyTorch y aplicarlo en experimentos prácticos. Aplicar redes convolucionales (CNN) para la clasificación de imágenes, entendiendo la importancia de convoluciones, pooling y otros elementos arquitectónicos de las CNN. Desarrollar modelos de detección y localización de objetos utilizando arquitecturas avanzadas (como YOLO y R-CNN) y comprender su aplicación en la visión por computadora. Aplicar técnicas de segmentación de imágenes para diferenciar objetos y áreas específicas en imágenes, usando arquitecturas como U-Net y Mask R-CNN. Implementar y evaluar redes recurrentes (RNN) y modelos avanzados para procesar datos secuenciales y temporales. Optimizar redes neuronales mediante el ajuste de hiperparámetros y técnicas de regularización como dropout, batch normalization y early stopping. Evaluar y ajustar modelos de Deep Learning mediante métricas relevantes como precisión, recall y F1 score. Integrar los conocimientos adquiridos en un proyecto práctico final, que demuestre la capacidad para aplicar Deep Learning en un problema específico. La automatización con inteligencia artificial (IA) busca optimizar y mejorar procesos en diversos sectores mediante la reducción de tareas manuales y repetitivas, lo que permite aumentar la eficiencia y la precisión.

¿De qué trata?

1. Introducción al Deep Learning

2. Redes Convolucionales

3. Detección y Segmentación de Objetos

4. Redes Neuronales Recurrentes y Modelos Avanzados

5. Proyecto Final

¿Dónde y cuándo se realiza?

Primera convocatoria, aula de ordenadores de la Delegación Territorial de Valladolid, del 23 al 27 de junio de 2025.

¿Y los horarios?

Lunes a viernes: de 9:00 a 15:00