Redes Neuronales Generativas Profundas: Fundamentos y resolución de problemas
Perfilado de sección
-
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
-
-
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.
-
Los estudiantes debenVerEnviar 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’.
-
-
-
-
-
Los estudiantes debenMarcar como hecha
Por favor completar la planilla en https://docs.google.com/spreadsheets/d/1JjumdxkPgS_j4VbIm0YAYQt_iinZ2brOY1GcXhl-Zf4/edit?usp=sharing
-
Los estudiantes debenMarcar como hecha
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.
-
-
-
-
Los estudiantes debenMarcar como hecha
Presentación de deep Learning e introducción a los modelos generativos
-
-
-
-
Los estudiantes debenMarcar como hecha
Anexo al contenido de Pytorch: definición de cargadores de datos
-
Los estudiantes debenMarcar como hecha
Implementación de ANN en Tensorflow
-
Los estudiantes debenMarcar como hecha
Github con material del curso: Clase 2
-
Los estudiantes debenMarcar como hecha
Comparación entre PyTorch y Tensorflow
-
Los estudiantes debenMarcar como hecha
Ejercicio del classificador multiclase (colab sin completar)
-
-
-
-
Los estudiantes debenMarcar como hecha
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)-
-
Los estudiantes debenMarcar como hecha
-
Los estudiantes debenMarcar como hecha
Entrega de propuesta de trabajo: 27 de diciembre de 2024
Deben entregar un breve pre-informe conteniendo:
- Descripción del problema (tipos de datos, objetivo del problema, etc.)
- Estrategia de resolución (modelo generativo, tipo de GAN, conjuntos de datos para el análisis, etc.)
- Propuesta de evaluación experimental (datos de entrenamiento y validación, experimentos propuestos, métricas, comparaciones en caso que corresponda)
Para el documento se debe utilizar el formato de artículo IEEE doble columna (https://www.ieee.org/conferences/publishing/templates.html).
Entrega final: fecha a coordinar con los estudiantes (febrero/marzo de 2025)