Director

• Director: D. Ángel Javier Álvarez Miguel; Codirector: D. Oscar Gutiérrez Blanco.

---

Objetivos

Objetivos del Curso:

Comprender los fundamentos de la IA y Aprender técnicas avanzadas de Machine Learning con Python
Desarrollar modelos de Deep Learning con técnicas y herramientas para el análisis y generación
basadas en lenguaje Python.
Implementar algoritmos de visión por computadora para tareas como el reconocimiento de
imágenes y la detección de objetos.
Aprender a seleccionar y transformar características para mejorar la calidad de los datos de
entrada y utilizar métricas y técnicas de validación cruzada para evaluar el rendimiento de los modelos.
Y llevar a cabo acabo los puntos anteriormente mencionados por medio de bilbliotecas de Python de
interés industrial.

---

Destinatarios

Dirigido a alumnos de grados en ingeniería y profesionales del sector.

---

Programa

Día 1:

- Key Note a cargo de Alumni invitado
- Fundamentos de Vision Artificial con OPENCV: Que és la visión artificial, y su
fundamentos explicados a través de la bilbioteca OpenCV
- Pausa café
- Aprendizaje en Visión artificial Pytorch: Crea y entre tu perceptron multicapa
usando Pytorch. Trucos y técnicas para aprovechar al máximo tu GPU

Día 2:

- Introducción a los Métodos de Kernel y SVM:
Primeramente, se explicará a grandes rasgos qué es un método Kernel y sus
ventajas e inconvenientes frente a otros métodos. Se implementará un kernel
sencillo desde cero para comprender mejor sus fundamentos.
- Pausa Café
- Métodos de Kernel: caso practico SVM desde cero.
Después, se trabajará con un problema sencillo y la implementación anterior
para comprobar cómo funciona en ciertas casuísticas. Para acabar, se
contrastará esta implementación con librerías asentadas con scikit-learn.

Día 3:

- Exprimiendo Numpy con Numba Cython
Saca partido a tus código en Numpy vectorizando y generando código nativo
con Numba/Cython para aprovechar mejor la CPU/GPU
- Pausa café
- Desplegando IA en K8s
Despliegue de un modelo sencillo de ML/Dl mediante Flask/fastAPI en Python usando Kubernetes

Día 4:

- Satisfacibilidad Booleana modulo Teorías con Z3
Intrroducción a Z3: El motor SMT de Microsoft y su API en Python
- Pausa café
- Redución de Dimensionalidad con Pytorch: Autoencoders-
Redución de dimensionalidad aplicada a imágenes mediante autoencoders.
Autoencoders variacionales. Aplicación práctica para el dataset MNIST

---

Observaciones

 

---

El alumno puede traer ordenador personal portátil.

Plazo de matrícula

04 de abril de 2025 - 03 de julio de 2025

---

Procedimiento

 

Hoja de inscripción:

 

 https://congresosalcala.fgua.es/extensionuniversitaria/inscripcion/6137/inscripcion/

---