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 2022: el curso se dictará a partir del martes 1 de noviembre.
Horario: martes y jueves de 17 a 19 horas.
Link específico para la clase del jueves 24 de noviembre, 17:00) https://meet.google.com/jmh-xujd-sdz
Link de la reunión inicial (martes 1 de noviembre, 17:00): https://salavirtual-udelar.zoom.us/j/85947152194?pwd=ZkUwVEF3MHJmN0U4c3hKNWFsYzNzdz09
-
Foro
-
Foro
-
Completar el formulario de inscripción es obligatorio para los estudiantes de cursos de posgrado, actualización y educación permanente. Los datos obtenidos serán procesados y utilizados con fines estadísticos por la Unidad Central de Educación Permanente de la Universidad de la República.
-
Ver Enviar retroalimentación
Completar el formulario de evaluación es obligatorio para los estudiantes de cursos de posgrado, actualización y educación permanente. Los datos obtenidos serán procesados y utilizados con fines estadísticos por la Unidad Central de Educación Permanente de la Universidad de la República. La encuesta de evaluación es anónima, salvo que el estudiante desee renunciar explícitamente al anonimato incluyendo su nombre en el campo opcional ‘Nombre’.
-
-
-
Recurso
Breve presentación del curso
-
Recurso
-
Consulta
Por favor completar la planilla en https://docs.google.com/spreadsheets/d/1JjumdxkPgS_j4VbIm0YAYQt_iinZ2brOY1GcXhl-Zf4/edit?usp=sharing
-
Consulta
Por favor completar la encuesta en https://api.socrative.com/rc/n8K4by
-
Página
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
-
-
-
Implementación de ANN usando Pytorch
-
Implementación de ANN en Tensorflow
-
Github con material del curso: Clase 2
-
Recurso
Comparación entre PyTorch y Tensorflow
-
-
Este enlace contiene el cuaderno que se tendrán que copiar y modificar para definir el entrenamiento de una GAN para la generación de los dígitos definidos por USPS.
-
Para solucionar el problema del entrenamiento cambien el optimizado a Adam, el BATCHSIZE a 50 imágenes y entrenen por 200 épocas. El problema que se ha tenido con USPS es que el dataset es pequeño (solo 5000 imágenes envez de las 50000 que tiene MNIST). Con el BATCHSIZE de 100 y las 60 épocas el modelo no llegaba a aprender.
-
-
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-
Entrega del proyecto final