Este curso te llevará a un emocionante viaje a través de las tecnologías que están revolucionando el procesamiento de imágenes. Comenzando con los fundamentos de la visión por computadora y el aprendizaje automático, avanzarás hacia el dominio de redes neuronales básicas y convolucionales. Aprenderás a implementar arquitecturas avanzadas y a aplicar técnicas de transfer learning para resolver problemas complejos en clasificación, detección de objetos y segmentación de imágenes. A través de una metodología práctica que combina teoría con ejercicios guiados en Python, adquirirás habilidades esenciales que te permitirán desarrollar proyectos innovadores en el campo de la inteligencia artificial y la visión por computadora. Este curso es ideal para quienes buscan entender y aplicar tecnologías de vanguardia en un entorno en constante evolución.
Este curso está diseñado para estudiantes, profesionales y entusiastas que buscan adentrarse en el fascinante mundo de Deep Learning y Computer Vision. No es necesario que tengas experiencia avanzada en inteligencia artificial, pero sí que cuentes con una comprensión básica de programación, especialmente en Python, y un interés por explorar aplicaciones innovadoras en el procesamiento de imágenes. Este curso es ideal para aquellos que desean desarrollar habilidades prácticas en uno de los campos más activos y relevantes de la tecnología actual.
Al finalizar el curso, habrás adquirido una sólida comprensión de los conceptos fundamentales en Computer Vision, desde técnicas básicas de clasificación de imágenes hasta redes neuronales avanzadas y arquitecturas convolucionales. Aprenderás a aplicar modelos de deep learning como las CNNs y a implementar estrategias de optimización y regularización para mejorar la precisión de los modelos. También explorarás el uso de modelos preentrenados mediante transfer learning y aprenderás a manejar tareas más complejas, como detección de objetos y segmentación de imágenes. Cada lección práctica está diseñada para que obtengas experiencia real implementando estos modelos en proyectos de visión por computadora.
Este curso combina teoría y práctica, con un enfoque centrado en la implementación de modelos. Cada clase comienza con conceptos teóricos clave, seguidos por ejercicios prácticos guiados en Python, utilizando PyTorch. La estructura de cada sesión se orienta al aprendizaje aplicado, permitiéndote ver cómo cada técnica se implementa en la práctica. Durante el curso, tendrás acceso a recursos adicionales y podrás realizar consultas a los instructores, quienes estarán disponibles para apoyar tu aprendizaje y resolver dudas en tiempo real.
Las clases de los cursos se imparten en vivo a través de , permitiendo la interacción directa entre alumnos y
profesores. Posteriormente, los alumnos tienen acceso a todos los recursos utilizados durante la
sesión, incluyendo la grabación de la clase, disponibles en nuestra plataforma. Además, cuentan
con ejercicios prácticos para consolidar y aplicar los conocimientos adquiridos.
Para realizar este curso, es recomendable tener conocimientos previos en Python. Para aquellos inscritos que no cuenten con experiencia en el lenguaje, proporcionaremos material de nivelación en Python.
En este curso, aprenderás los Fundamentos de Visión por Computadora
y
Machine Learning,
junto con técnicas como Convolutional Neural Networks (CNNs) y
Transfer Learning , aplicadas
a la clasificación de imágenes,
detección de objetos y segmentación.
Trabajarás con el framework PyTorch
en ejercicios
prácticos,
incluyendo el uso de Modelos Pre-entrenados y
el ajuste de hiperparámetros para optimizar el rendimiento de los
modelos.
Explora las bases de la visión por computadora y el machine learning, abordando sus aplicaciones en la clasificación y detección de imágenes. La clase incluye una demostración con KNN y regresión logística para aprender a clasificar imágenes.
Descubre el funcionamiento de redes neuronales y el perceptrón multicapa, su inspiración biológica y arquitectura básica. Practica la implementación de una red MLP en PyTorch usando un dataset de imágenes.
Aprende sobre convoluciones y pooling, esenciales en redes para procesar imágenes, y sigue una guía para implementar una CNN en PyTorch o Keras. La clase incluye el desarrollo de una CNN para la clasificación de imágenes.
Examina arquitecturas avanzadas como ResNet y VGG y el uso de transfer learning en modelos preentrenados. La práctica abarca la aplicación de un modelo transferido a un nuevo dataset para ver sus ventajas.
Entiende cómo evitar el overfitting y mejorar el rendimiento mediante regularización y optimización. La clase culmina con un ejercicio práctico de regularización y ajuste de optimización en una CNN.
Aborda la diferencia entre clasificación, detección y segmentación de imágenes, explorando algoritmos como YOLO y Mask R-CNN. La práctica incluye aplicar modelos de detección o segmentación en un dataset de imágenes.