Diplomado en Redes Convolucionales y Clasificación de Imágenes en Visión Artificial

Diplomado

Online

$ 635 IVA inc.

Descripción

  • Tipología

    Diplomado

  • Metodología

    Online

  • Horas lectivas

    150h

  • Duración

    6 Semanas

  • Inicio

    Fechas disponibles

  • Campus online

  • Clases virtuales

Las redes convolucionales imitan el funcionamiento de las redes neuronales para lograr un aprendizaje profundo en numerosas tareas. Así, estas redes son un apartado esencial dentro del ámbito de la inteligencia artificial y, especialmente, dentro de la visión artificial, puesto que son perfectas para el análisis y clasificación de imágenes. Esta disciplina ha avanzado enormemente en los últimos años y, por esa razón, los profesionales de este campo necesitan ponerse al día para poder
trabajar de acuerdo a las más recientes novedades. Se ofrece esta titulación de modo que al finalizarla puedan aplicar todo lo aprendido directamente en sus trabajos en el ámbito de la IA, experimentado un progreso profesional inmediato.

Información importante

Documentación

  • 221diplomado-redes-convolucionales-clasificacion-imagenes-vision-artificial-t-.pdf

Sedes y fechas disponibles

Ubicación

comienzo

Online

comienzo

Fechas disponiblesInscripciones abiertas

Información relevante sobre el curso

Objetivos generales
Š Desarrollar las redes neuronales convolucionales
Š Analizar las métricas y herramientas existentes
Š Examinar el pipeline de una red de clasificación de imágenes
Š Proponer métodos de inferencia

Objetivos específicos
Š Generar conocimiento especializado sobre las redes neuronales convolucionales
Š Establecer las métricas de evaluación
Š Analizar el funcionamiento de las CNN para la clasificación de imágenes
Š Evaluar el data augmentation
Š Proponer técnicas para evitar el overfitting

El objetivo principal de este Diplomado en Redes Convolucionales y Clasificación de Imágenes en Visión Artificial es actualizar a sus alumnos de modo que tengan a su alcance las últimas novedades en este complejo y emocionante campo tecnológico. Así, al finalizar el programa, estarán en posesión de nuevas herramientas y conocimientos en esta área para ejercer su labor profesional de acuerdo a los más recientes avances.

Este Diplomado en Redes Convolucionales y Clasificación de Imágenes en Visión Artificial contiene el programa más completo y actualizado del mercado.

Tras la superación de la evaluación, el alumno recibirá por correo postal con acuse de recibo su correspondiente título de Diplomado emitido por TECH Universidad Tecnológica.

El título expedido por TECH Universidad Tecnológica expresará la calificación que haya obtenido en el Diplomado, y reunirá los requisitos comúnmente exigidos por las bolsas de trabajo, oposiciones y comités evaluadores de carreras profesionales.

Título: Diplomado en Redes Convolucionales y Clasificación de Imágenes en Visión Artificial
N.º Horas Oficiales: 150 h.

Nuestra escuela es la primera en el mundo que combina el estudio de casos clínicos con un sistema de aprendizaje 100% online basado en la reiteración, que combina 8 elementos diferentes que suponen una evolución con respecto al simple estudio y análisis de casos. Esta metodología, a la vanguardia pedagógica mundial, se denomina Relearning.

Nuestra escuela es la primera en habla hispana licenciada para emplear este exitoso método, habiendo conseguido en 2015 mejorar los niveles de satisfacción global (calidad docente, calidad de los materiales, estructura del curso, objetivos…) de los estudiantes que finalizan los cursos con respecto a los indicadores de la mejor universidad online en habla hispana.

Recibida su solicitud, un responsable académico del curso le llamará para explicarle todos los detalles del programa, así como el método de inscripción, facilidades de pago y plazos de matrícula.

En primer lugar, necesitas un ordenador (PC o Macintosh), conexión a internet y una cuenta de correo electrónico. Para poder realizar los cursos integramente ON-LINE dispone de las siguientes opciones: Flash - Instalando Flash Player 10 o posterior (http://www.adobe.com/go/getflash), en alguno de los siguientes navegadores web: - Windows: Internet Explorer 6 y posteriores, Firefox 1.x y posteriores, Google Chrome, Opera 9.5 y posteriores - Mac: Safari 3 y posteriores, Firefox 1.x y posteriores, Google Chrome - Linux: Firefox 1.x y posteriores HTML5 - Instalando alguno de los navegadores web: - Google Chrome 14 o posterior sobre Windows o Mac - Safari 5.1 o posterior sobre Mac - Mobile Safari sobre Apple iOS 5.0 o posterior en iPad/iPhone Apple iOS - Articulate Mobile Player; Apple iOS 5.0 o posterior en iPad.

Preguntas & Respuestas

Añade tu pregunta

Nuestros asesores y otros usuarios podrán responderte

¿Quién quieres que te responda?

Déjanos tus datos para recibir respuesta

Sólo publicaremos tu nombre y pregunta

Opiniones

Materias

  • Redes
  • Inteligencia artificial
  • Entrenamiento
  • Imágenes
  • Informática

Profesores

 Sergio   Redondo Cabanillas

Sergio Redondo Cabanillas

Director de proyectos y desarrollo de Bcnvision

Temario

Módulo 1. Redes convolucionales y clasificación de imágenes

1.1. Redes neuronales convolucionales

1.1.1. Introducción
1.1.2. La convolución
1.1.3. CNN Building Blocks

1.2. Tipos de capas CNN

1.2.1. Convolutional
1.2.2. Activation
1.2.3. Batch normalization
1.2.4. Polling
1.2.5. Fully connected

1.3. Métricas

1.3.1. Confusión Matrix
1.3.2. Accuracy
1.3.3. Precisión
1.3.4. Recall
1.3.5. F1 Score
1.3.6. ROC Curve
1.3.7. AUC

1.4. Principales Arquitecturas

1.4.1. AlexNet
1.4.2. VGG
1.4.3. Resnet
1.4.4. GoogleLeNet

1.5. Clasificación de imágenes

1.5.1. Introducción
1.5.2. Análisis de los datos
1.5.3. Preparación de los datos
1.5.4. Entrenamiento del modelo
1.5.5. Validación del modelo

1.6. Consideraciones prácticas para el entrenamiento de CNN

1.6.1. Selección de optimizador
1.6.2. Learning Rate Scheduler
1.6.3. Comprobar pipeline de entrenamiento
1.6.4. Entrenamiento con regularización

1.7. Buenas prácticas en Deep Learning

1.7.1. Transfer Learning
1.7.2. Fine Tuning
1.7.3. Data Augmentation

1.8. Evaluación estadística de datos

1.8.1. Número de datasets
1.8.2. Número de etiquetas
1.8.3. Número de imágenes
1.8.4. Balanceo de datos

1.9. Deployment

1.9.1. Guardando y cargando modelos
1.9.2. Onnx
1.9.3. Inferencia

1.10. Caso práctico: clasificación de imágenes

1.10.1. Análisis y preparación de los datos
1.10.2. Testeo del pipeline de entrenamiento
1.10.3. Entrenamiento del modelo
1.10.4. Validación del modelo

Diplomado en Redes Convolucionales y Clasificación de Imágenes en Visión Artificial

$ 635 IVA inc.