Organiza: Cátedra de Sistemas Inteligentes (UCC) & Bioscience data Mining Group (CIDIE –  CONICET)

 

Asistencia Libre y Gratuita sujeto a disponibilidad

 

Cantidad de vacantes: 20

Fecha : Viernes 5 de Mayo de 10 a 17 Hrs

Lugar: Facultad de Ingeniería- Universidad Católica de Córdoba – Aula de Computación B

Enviar solicitud de participación a : 0419043@ucc.edu.ar (asunto: DL)

Workshop 1 : Introducción al Deep learning con aplicaciones

 

Disertante: Mg. Diego Marull

Lic. en Ciencias de la Computación (UNR – Rosario – 2009) y MS en Data Science (Columbia University – Nueva York – 2016). Ha realizado tareas de investigación en laboratorios en Francia, y trabajó desde 2010 hasta 2014 en el proyecto Leapsight, una base de datos para BigData que le valió el reconocimiento a través del programa Bec.AR para maestrias en Data Science en el exterior. Actualmente trabaja como analista en Data Science en Héritas/INDEAR, donde se dedica a tareas de machine learning y visualización para asistencia a la medicina de precisión (genómica). Su experiencia en Deep Learning involucra trabajos conjuntos con General Electric para detectar tejido pulmonar asociado a fibrosis usando Deep Learning sobre imágenes HRCT.

 

Introducción a Deep Learning (10 a 13 Hrs)

1. Qué es Deep Learning: historia, problemática de la complejidad de las Redes Neuronales, ventajas y desventajas respecto a modelos tradicionales de Machine Learning.

2. Tipos de Deep Networks: Deep Neural Networks, CNNs (Convolutional Neural Networks, Deep Belief Networks, (Stacked) Autoencoders.

3. Requisitos de poder de cómputo y hardware para procesar Deep Networks.

4. Presentación y comparación de distintos frameworks de Deep Learning (Theano, TensorFlow, Torch, Keras, Caffe, Apache Singa).

 

Almuerzo: 13:00 a 13:45.

 

Hands on Inicial de Deep Learning (14 a 17)

1. Introducción a la programación simbólica (slides en laboratorio).

2. Ejemplo 1: Operaciones básicas en Theano y TensorFlow.

3. Ejemplo 2: Regresión Logística o Regresión Lineal en TensorFlow

4. Ejercicio 1: Multilayer Perceptron en TensorFlow

5. Ejercicio 2: Convolutional Neural Networks en TensorFlow