Inteligencia Artificial y Tratamiento de Imágenes y Texto con Keras, PyTorch y OpenCV

Objetivos

Objetivos de la formación sobre Tratamiento de Imágenes y Texto utilizando bibliotecas (Keras, PyTorch, OpenCV)

Al finalizar la formación será capaz de:

• Implementar Keras, PyTorch y OpenCV para el tratamiento de imágenes

Duración

Programa

Programa de la formación Inteligencia Artificial y Tratamiento de Imágenes con Keras, PyTorch y OpenCV

Tratamiento de imágenes e IA

• Introducción al tratamiento de imágenes y al Machine Learning
• Presentación de las bibliotecas Keras, PyTorch y OpenCV

El proyecto TensorFlow

• Histórico
• Funcionalidades
• Arquitectura distribuida
• Plataformas soportadas

Primeros pasos con TensorFlow

• Principio de los tensores
• Características de un tensor: tipo de datos y dimensiones
• Definición de tensores simples
• Gestión de variables y persistencia
• Representación de los cálculos y de las dependencias entre operaciones mediante grafos
• Optimización de los cálculos

Cálculo distribuido

• Diferentes tipos de estrategias (sincrónica o asincrónica)
• Almacenamiento centralizado o duplicado de los datos en diferentes CPUs
• Distribución en GPUs
• Uso de TPUs

Redes neuronales

• Principio de las redes neuronales
• Diferentes tipos de capas: densas, convoluciones y funciones de activación
• Funcionamiento de las redes neuronales convolucionales (CNN)
• Descenso de gradiente
• Multi-Layer Perceptron

Implementación con Keras

• Diseño de una red neuronal
• Creación y entrenamiento de un modelo CNN simple con Keras

Clasificación de imágenes con Keras

• Noción de clasificación
• Casos de uso
• Arquitecturas de redes convolucionales
• Redes ImageNet, RCNN y SSD
• Demostraciones sobre convoluciones

Optimización de modelos

• Visualización con TensorBoard
• Optimización de las capas de convolución
• Elección de hiperparámetros con Keras y Keras Tuner
• Uso de checkpoints

Detección de objetos con OpenCV e IA

• Principios de la detección de objetos
• Tipos de modelos de detección de objetos (clasificadores en cascada, YOLO, SSD, Faster R-CNN)
• Uso de OpenCV para la detección de objetos

Biblioteca OpenCV

• Presentación en profundidad de la biblioteca OpenCV para visión por computador
• Configuración del entorno OpenCV
• Cargar y mostrar imágenes con OpenCV
• Introducción a los clasificadores en cascada para la detección de objetos

Modelos de IA preentrenados

• Presentación de modelos preentrenados para detección de objetos
• Comparación entre modelos (YOLO, SSD, Faster R-CNN)
• Elección del modelo según las necesidades de la aplicación

Segmentación de imágenes con PyTorch

• Comprender la segmentación de imágenes
• Creación de un modelo de segmentación convolucional con PyTorch
• Preparación de los datos de entrenamiento para segmentación
• Entrenamiento y evaluación del rendimiento del modelo

Generación de imágenes con GAN

• Introducción a las redes generativas adversariales (GAN)
• Creación de un modelo GAN simple con PyTorch

Nota: El contenido de este programa puede adaptarse en función del nivel, los requisitos previos y las necesidades de los participantes.

Metodología

Metodología de la formación Inteligencia Artificial y Tratamiento de Imágenes con Keras, PyTorch y OpenCV

• Formación impartida en modalidad presencial o aula virtual
• El formador alterna entre métodos demostrativo, interrogativo y activo mediante trabajos prácticos y simulaciones
• Ordenadores Mac o PC
• Conexión a Internet de alta velocidad
• Pizarra blanca o paperboard
• Videoproyector o pantalla táctil interactiva
• Entornos de formación instalados en local o accesibles online
• Materiales de curso y ejercicios prácticos

Evaluación de la formación

• Análisis de los resultados individuales producidos por cada participante durante los trabajos prácticos y corrección a lo largo de la formación
• Realización de una prueba completa basada en un proyecto global de final de formación y análisis por el consultor formador
• Cuestionario individual de evaluación de los aprendizajes al final de la sesión

Bonificación Fundae

Esta formación es bonificable a través de FUNDAE para todas las empresas que cuenten con trabajadores en régimen general de la Seguridad Social y dispongan de crédito formativo. SKOLAE Formación gestiona todo el proceso administrativo necesario para que tu empresa pueda recuperar el importe invertido en la formación, siempre que se cumplan los requisitos legales y de comunicación establecidos por FUNDAE.

Formador

Profesional con experiencia demostrable en Inteligencia Artificial aplicada al tratamiento de imágenes y visión por computador, especializado en el desarrollo de modelos de Deep Learning con Keras, PyTorch, TensorFlow y OpenCV. Debe dominar técnicas de clasificación, detección y segmentación de imágenes, así como arquitecturas de redes neuronales convolucionales y modelos avanzados de computer vision. Se requiere experiencia práctica en proyectos reales de IA y capacidad para trasladar conceptos complejos a entornos formativos aplicados. Se valorará especialmente experiencia docente en formación técnica para perfiles de datos, desarrollo o IA.

¿Te gustó esta formación? Suscríbete a nuestra Newsletter pinchando aquí. También te animamos a seguirnos en LinkedIn, Instagram y Facebook y así estarás al día de todas nuestras novedades.