Diagrama de temas

  • General

    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 2022: el curso se dictará a partir del martes 1 de noviembre.

    Horario: martes y jueves de 17 a 19 horas.

    Link de la reunión inicial (martes 1 de noviembre, 17:00): https://meet.google.com/yat-ndnz-jtb


    Resultado de imagen de generative neural network

  • Proyecto final

    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.