Redes Neuronales Generativas Profundas: Fundamentos y resolución de problemas
Diagrama de temas
-
Redes neuronales generativas profundas: fundamentos y resolución de problemas
Docentes:
Jamal Toutouh, Universidad de Málaga, España y Massachusetts Institute of Technology, USA (jamal@uma.es)
Sergio Nesmachnow, Universidad de la República, Uruguay (sergion@fing.edu.uy)
Programas de posgrado:
Maestría y Doctorado en Informática (PEDECIBA), Maestría en Ingeniería Matemática, Maestría y Doctorado en Ingeniería Eléctrica, Maestría y Doctorado en Ingeniería Física, Maestría y Doctorado en Ingeniería Mecánica, Maestría y Doctorado en Ingeniería–Mecánica de los Fluidos Aplicada, Maestría y Doctorado en Ingeniería Ambiental.
Número de créditos: 6
Público objetivo:
Estudiantes de posgrado en Informática, Ingeniería Matemática, Ingeniería Eléctrica, Ciencia de Datos, Bioinformática, Ingeniería Mecánica, Ingeniería Ambiental, Ingeniería Física y otros posgrados en temáticas afines. Profesionales interesados en las temáticas de inteligencia computacional y redes neuronales.
Objetivos:
1. Presentar los principales conceptos sobre redes generativas profundas (GAN).
2. Implementar soluciones a problemas reales aplicando redes GAN.
Temario:
1. Introducción al aprendizaje profundo y los modelos generativos
2. Redes generativas antagónicas (generative adversarial networks, GANs). Principios y aplicaciones.
3. Arquitectura general de las redes GAN y su diseño.
4. Resolución de problemas reales aplicando redes GAN. Ejemplos: generación de imágenes, caracterización y desagregación del consumo energético
5. Patologías comunes de las GAN.
6. El framework Lipizzaner. Entrenamiento co-evolutivo y distribuido para mejorar el rendimiento de las redes GAN
Edición 2024: el curso se dictará a partir del martes 19 de noviembre.
Horario: martes y jueves de 17 a 19 horas
Link de zoom: https://salavirtual-udelar.zoom.us/j/87294382250?pwd=lRtTjfNo4wmIi1sbSthDfE7MLkbAk1.1
-
-
Breve presentación del curso
-
Por favor completar la planilla en https://docs.google.com/spreadsheets/d/1JjumdxkPgS_j4VbIm0YAYQt_iinZ2brOY1GcXhl-Zf4/edit?usp=sharing
-
Aquí se incluyen los enlaces a los cuadernos de Google Colab que se ven durante la clase. Para poder modificarlos se aconseja que se los copien en su propio espacio de Google y los utilicen allí.
-
-
-
Presentación de deep Learning e introducción a los modelos generativos
-
-
-
Anexo al contenido de Pytorch: definición de cargadores de datos
-
Implementación de ANN en Tensorflow
-
Github con material del curso: Clase 2
-
Comparación entre PyTorch y Tensorflow
-
Ejercicio del classificador multiclase (colab sin completar)
-
Ejercicio del classificador multiclase resuelto
-
Los estudiantes deben entregar el informe en formato PDF y el código del proyecto (notebook Jupyter o código fuente).
Si entregan un archivo zip con el código del proyecto, deberá contener:
- Código fuente del proyecto, SIN incluir binarios compilados o similares
- Archivos con las instancias del problema que fueron abordadas y datos necesarios.
- Script para la ejecución y/o compilación del código.
Contenido del informe:
- Descripción del problema
- Estrategia de resolución (incluyendo todo lo necesario para su comprensión, descripción de métodos, técnicas avanzadas, etc.)
- Evaluación experimental, incluyendo toda la información relevante (instancias, datos, calidad de soluciones, comparación con otras técnicas o soluciones, eficiencia computacional, métricas, etc.)
Para el documento se debe utilizar el formato de artículo IEEE doble columna:Template artículo (LaTex): http://www.ctan.org/tex-archive/macros/latex/contrib/IEEEtran/.
Template artículo (word): https://eva.fing.edu.uy/mod/resource/view.php?id=122669.
Referencias bibliográficas: https://ctan.org/tex-archive/macros/latex/contrib/IEEEtran/bibtex
Ejemplo de informe final: Superresolución en grafos (ver recurso a continuación)
Ejemplo de informe final: Generación de imágenes sintéticas de palas de aerogeneradores (ver recurso a continuación)