Tutorial: Deep Learning con TensorFlow
Andrés Ortíz García
Descripción:
El objetivo de este tutorial es la introducción al aprendizaje profundo (deep learning), una técnica de aprendizaje de máquina (machine learning) que puede utilizarse para el modelado, clasificación y generación de datos. En los últimos años, diferentes grupos de investigación han conseguido resultados impresionantes en diferentes campos, por ejemplo en el procesamiento y clasificación de imágenes utilizando métodos basados en deep learning.
Los últimos avances en este campo han proporcionado algoritmos de aprendizaje eficientes para arquitecturas neuronales con múltiples capas, permitiendo la construcción de modelos complejos. El uso de múltiples capas permite, además, extraer representaciones de los datos en diferentes niveles de abstracción, modelo de aprendizaje y representación de los datos que está inspirado en el funcionamiento del cerebro animal.
Con el áuge de las técnicas basadas en deep learning, han surgido diferentes librerías para programar estas estructuras. Una de las más conocidas y extendidas es Tensorflow, desarrollada por Google y liberada en 2015. En este curso, se introduce al modelo de programación de Tensorflow y se muestran sus elementos básicos para la implementación eficiente de redes neuronales profundas mediante la API en Python.
Finalmente, se implementará una red neuronal convolucional para la clasificación de imágenes y se explicarán los aspectos fundamentales de construcción de este tipo de redes, su optimización para aprovechar el paralelismo presente en las máquinas actuales (múltiples núcleos y/o GPUs) su evaluación.
Programa:
- Introducción a Deep Learning (aprox. 30’)
- Introducción a Tensorflow y al uso de GPUs para deep learning (aprox. 30’)
- Redes neuronales convolucionales (aprox. 30’)
- Implementación de una red neuronal convolucional: python + tensorflow
4.1. Clasificación de imágenes con una red convolucional
4.2. Evaluación del modelo y medida de prestaciones
4.3. Ejercicio. Modificación de la arquitectura inicial y evaluación
Biografía:
Andrés Ortiz García es Ingeniero en Electrónica (2000), Doctor Europeo por la Universidad de Granada (2008) y Doctor por la Universidad de Cádiz (2012). Desde 2004 ha desarrollado su labor docente e investigadora en el Departamento de Ingeniería de Comunicaciones de la Universidad de Málaga. Ha realizado estancias de investigación en Universidades de España y del extranjero. Ha participado en 10 proyectos de investigación obtenidos en convocatorias competitivas. Es coautor de más de 80 artículos científicos en revistas y congresos internacionales en los ámbitos del procesamiento paralelo, sistemas inteligentes y procesamiento de datos y señales biomédicas. Desde 2000 a 2004 ha trabajado en Telefónica Móviles S.A. como Ingeniero de Redes y Sistemas, realizando tareas de análisis de datos de rendimiento de las redes GSM, 3G y datos. Es revisor de varias revistas indexadas en JCR y pertenece al comité técnico de varios congresos internacionales en las áreas de procesamiento de señales biomédicas, reconocimiento de patrones, neurociencias y redes de computadores.
