TINTOlib: Deep Learning en Tidy Data con Imágenes sintéticas
Requirements
- Conocimientos intermedio en programación en Python
- Familiaridad general con Machine Learning (conceptos como regresión y clasificación).
- Conocimientos intermedios de redes neuronales y deep learning (no se requiere experiencia avanzada).
- Tener instalado Python 3.8+ y un entorno como Anaconda, JupyterLab o VSCode.
- Recomendable contar con una GPU (aunque no obligatorio) para entrenar modelos más rápido.
Description
TINTOlib: Deep Learning en Tidy Data con Imágenes Sintéticas
Implementa arquitecturas híbridas CNN/ViT+MLP sobre datos tabulares transformados en imágenes con TINTOlib.
Instructor: PhD. Manuel Castillo-Cara
Requisitos previos
Este curso está orientado a estudiantes con conocimientos previos en Machine Learning, Deep Learning y programación en Python. Se recomienda estar familiarizado con conceptos de regresión, clasificación y nociones básicas de redes neuronales.
Para un mejor aprovechamiento, se sugiere haber cursado previamente alguno de los siguientes cursos:
Deep Learning con Python y Keras. Redes Neuronales avanzado. Dominando el Aprendizaje Profundo con Keras en Python: Desarrollo y Evaluación de Modelos Neuronales de 0 a experto.
Máster de especialista en Ciencia de Datos con Python. Aprenda a desarrollar proyectos de Machine Learning y Deep Learning con Python. Data Science de básico a Experto
Descripción del curso
Bienvenido al curso TINTOlib: Deep Learning en Tidy Data con Imágenes sintéticas, donde aprenderás a transformar datos tabulares en imágenes sintéticas y a construir modelos de redes neuronales híbridas con TINTOlib.
Este curso te guiará en el desarrollo de arquitecturas Convolucionales, Vision Transformers (ViT) o Redes Neuronales Híbridas compuestas por CNN+MLP o ViT+MLP aplicadas a tareas de clasificación y regresión sobre datos estructurados, utilizando representaciones visuales generadas a partir de los propios datos. A través de un enfoque práctico, trabajarás con notebooks reales y librerías de código abierto para aplicar técnicas de vanguardia en deep learning aplicado a datos no visuales.
Lo que aprenderás en este curso:
Comprender los fundamentos de la transformación de datos tabulares en imágenes sintéticas.
Implementar Redes Neuronales Híbridas que combinan CNNs o Vision Transformers con MLPs para mejorar la precisión.
Utilizar TINTOlib en Python para generar imágenes sintéticas a partir de datos estructurados.
Evaluar el rendimiento de modelos tradicionales vs. híbridos y analizar su comportamiento en diferentes datasets.
¿Para quién es este curso?
Científicos de datos e ingenieros de IA que trabajen con datos tabulares y busquen nuevas técnicas para mejorar el rendimiento de sus modelos.
Investigadores que deseen experimentar con arquitecturas híbridas y nuevas formas de representación de datos.
Desarrolladores Python interesados en librerías de deep learning aplicadas a problemas estructurados.
Estudiantes de posgrado o profesionales del ML que quieran ir más allá del enfoque tradicional con XGBoost o Random Forest.
Contenidos del curso:
Introducción a TINTOlib y a las Redes Neuronales Híbridas
Modelos CNN sobre imágenes sintéticas
Redes Neuronales Híbridas compuestas por CNN + MLP
Vision Transformers (ViT) sobre imágenes sintéticas
Redes Neuronales Híbridas compuestas por ViT + MLP
Tipos de fusión o concatenación en Redes Neuronales Híbridas.
Benchmark, buenas prácticas y líneas de futuro
Who this course is for:
- A estudiantes de ciencia de datos, IA o ingeniería interesados en nuevas formas de procesar datos tabulares.
- A investigadores que buscan aplicar redes neuronales a problemas clásicos de clasificación o regresión.
- A desarrolladores que quieran integrar librerías como TINTOlib en sus flujos de trabajo con deep learning.
- A profesionales de machine learning que desean explorar arquitecturas híbridas CNN/ViT + MLP.
- A cualquier persona con conocimientos básicos en Python y ML que desee aprender técnicas innovadoras de representación de datos.
Instructor
- 4.5 Instructor Rating
- 2,454 Reviews
- 20,304 Students
- 19 Courses
Profesor/Investigador de unviersidad en España. Ph. D. en Tecnologías Informáticas Avanzadas por la Universidad de Castilla-La Mancha (España) y calificado como investigador en RENACYT-CONCYTEC nivel IV y Contratado Doctor por la ANECA (España).
Cuento con 28 publicaciones, entre congresos y revistas indexadas, las cuales 15 son en revistas de alto impacto, una patente modelo de utilidad otorgada y con una ejecución de más de 15 proyectos de investigación nacionales e internacionales.
Mi experiencia y trabajos en investigación se encuentran enfocados en Inteligencia Artificial y redes de sensores dentro de las áreas temáticas transmisión de señales, plataformas y arquitecturas distribuidas como Fog Computing, análisis/tratamiento de datos, reconocimiento de patrones y Visión por Computador.