Diagrama de temas

  • General

    Colapsar todo Expandir todo

    Seminario Khipu sobre Aprendizaje Automático e Inteligencia Artificial 2023

    El objetivo de este curso-seminario es presentar una introducción al Aprendizaje Automático y al Aprendizaje Profundo (Deep Learning) aprovechando el desarrollo de la segunda edición en nuestro país del evento "Khipu: Encuentro Latinoamericano en Inteligencia Artificial" (https://khipu.ai/). Este encuentro es co-organizado por docentes del Departamento de Procesamiento de Señales del IIE, y se desarrollará en el Aulario de Facultad de Ingeniería del 6 al 10 de marzo de 2023. Khipu incluirá seminarios y talleres de formación avanzada, charlas técnicas y aplicaciones de Aprendizaje Automático e Inteligencia Artificial, eventos de vinculación Academia-Industria-Gobierno, entre otros. Si bien este evento tendrá cupos de participación presencial limitados, todo el contenido del mismo será re-trasmitido de manera simultánea y abierta lo que permitirá la participación remota de cualquier estudiante.

    En ese sentido, el objetivo principal de este curso es buscar el aprovechamiento de este evento de características únicas para que estudiantes cursando formación de posgrado en temáticas relacionadas puedan formalizar su participación dentro de la currícula del posgrado. Este curso-seminario asociado a Khipu aborda varios aspectos. El primero es realizar una introducción al Aprendizaje Automático y en particular al Aprendizaje Profundo donde se cubren diferentes conceptos y técnicas relacionadas al Aprendizaje Automático y la Inteligencia Artificial. Más de una decena de científicos invitados expertos en la temática presentarán trabajos recientes de investigación y grandes avances en el área en particular en sus distintos campos como la visión artificial, el procesamiento de lenguaje natural, el procesamiento de audio y sonido, así como también diferentes aplicaciones al manejo de datos en salud y otros datos en general.

    El curso-seminario Khipu cubrirá los aspectos teóricos y prácticos básicos del Aprendizaje Profundo así como también los principales desarrollos algorítmicos que han aparecido en los últimos años en el área del Deep Learning y el Deep Reinforcement Learning (Aprendizaje Profundo por Refuerzo).

    [Programa del curso] (aprobado por la Comisión de Posgrado, en trámite de figurar en bedelías)

    IMPORTANTE: NO hace falta estar inscripto en la conferencia para poder tomar el curso. Las charlas se pueden ver en línea.

    Curso de Posgrado - 2023

    Créditos: 4

    Público objetivo: Estudiantes de Maestría en Ingeniería Matemática, Maestría y Doctorado en Ingeniería Eléctrica, Estadística, Computación y carreras afines. 

    Temario

    Tentativamente en Khipu se realizarán charlas y mini-tutoriales técnicos cubriendo los siguientes temas:

    1. Fundamentos del Aprendizaje Automático
    2. Fundamentos de Aprendizaje Profundo
    3. Aprendizaje por Refuerzo
    4. Procesamiento de lenguaje natural 
    5. Aprendizaje profundo en visión artificial 
    6. Grandes modelos multi-lenguaje
    7. Redes neuronales de grafos
    8. Modelos generativos y aprendizaje profundo no supervisado

    Dentro de los expositores confirmados en Khipu se destaca:

    • Samy Bengio (Apple)
    • Luciana Ferrer (Universidad de Buenos Aires / CONICET
    • Kyunghyun Cho (New York University)
    • Nando De Freitas (DeepMind)
    • Doina Precup (DeepMind)
    • Joan Bruna (New York University)
    • Rachel Ward (UT Austin)
    • Devi Parikh (Georgia Tech / FAIR)
    • Guillermo Sapiro (Duke University / Apple)
    • Sara Hooker (Cohere for AI), Marco Cuturi (ENSAE / Apple)
    • Nayat Sanchez-Pi (Fundación INRIA Chile)
    • Pablo Samuel Castro (Google Brain)
    • Alejandro Ribeiro (University of Pennsylvania)
    • Jorge Sánchez (CONICET / Mercado Libre)
    • Thamar Solorio (University of Houston / Bloomberg)
    • Gonzalo Mateos (University of Rochester)
    • Elias Baremboin (Columbia University)
    • Helena Caseli (Federal University of São Carlos)
    • Peter Norvig (Stanford University / Google). 

    Metodología de enseñanza:

    El curso-seminario se basará en las charlas a dictarse en evento "Khipu: Encuentro Latinoamericano en Inteligencia Artificial"  (https://khipu.ai) que podrán ser tomadas de forma presencial, en caso de ser seleccionados entre los participantes, o en forma remota a través de streaming o accesibles a posteriori. También habrá material de lectura complementario. Se realizarán tres laboratorios de ejercicios de implementación de métodos de Aprendizaje Automático.


    Forma de evaluación:

    Aproximadamente un mes después del evento (en fecha y hora a coordinar con los estudiantes) se realizará un examen escrito múltiple opción con preguntas referidas a las charlas de la conferencia, enfocadas en los temas principales de las mismas. Además, como durante Khipu se harán varias sesiones hands-on usando notebooks en Google Colab, los cuales quedarán disponibles, el examen incluirá una pregunta de cada uno de estos laboratorios, debiendo el estudiante contestar la pregunta referida a uno de ellos (a elección).

    Examen:

    • Viernes 31/03, de 9h a 10h

    • Lugar: Salón Gris (727, piso 7).


    Conocimientos previos:

    Exigidos:
    • Cálculo diferencial e integral
    • Álgebra Lineal
    • Probabilidad y estadística
    • Programación (conocimientos sólidos en al menos un lenguaje de programación).
    Recomendados:

    • Familiaridad con conceptos básicos de reconocimiento de patrones, procesamiento de imágenes, optimización
    • programación en lenguaje Python.

    Bibliografía

    • Chollet, F. Deep Learning with Python. Manning Publications, 2021.
    • Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2022.
    • Sutton, Richard S., & Andrew G. Barto. Reinforcement learning: An introduction. 2nd edition, MIT press, 2018. 
    • Goodfellow, I., Bengio, Y., Courville, A., and Bengio, Deep learning. MIT press, 2016  [web]
    • LeCun, Y., Bengio, Y. and Hinton, G., 2015. Deep learning. Nature, 521(7553), p.436. 
    • William L. Hamilton, “Graph Representation Learning”, Morgan & Claypool, 2020. Borrador disponible en línea [web] 
    • Dan Jurafsky y James H. Martin, “Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics and Speech Recognition”. Draft de la tercera edición disponible en línea [web] 

    Materiales auxiliares

    • Tutorial Python-numpy Stanford cs231n [web]
    • Tutorial Python for Matlab users [web]
    • Tutorial Jupyter Notebook (a.k.a. IPython Notebook) [web]
    • The Matrix Cookbook [pdf]
    • Notas cálculo vectorial/matricial [pdf]
    • Notas de Curso - cs231n Stanford [web]
    • Material del curso Aprendizaje Profundo para Visión Artificial, 2021, Facultad de Ingeniería, Universidad de la República [web]


    • Icono Foro
      Novedades 2023 Foro