Taller Deep Learning

Taller práctico

DISEÑO Y SIMULACIÓN DE REDES NEURONALES PROFUNDAS USANDO KERAS Y TENSORFLOW EN PYTHON

 

Instrucciones a los participantes:

  • Datos a usar en el taller. Serie temporal para LST.
  • Es conveniente que los asistentes traigan su propio portátil, para realizar los ejemplos prácticos. El software a utilizar será python 3.7 en la distribución de Anaconda con los paquetes Keras y Tensorflow instalados y activados.
  • Rogamos a aquellos asistentes que no puedan disponer de su propio portátil que comuniquen con los organizadores lo antes posible. Intentaremos disponer de un número (limitado) de ordenadores en el laboratorio y necesitamos prever cuántas instalaciones del software deberemos realizar.
  • Aquellos participantes que deseen disponer de un certificado de asistencia, nos lo pueden comunicar con antelación para tenerlos preparados el día de la actividad.
  • Aunque el taller dará las introducciones necesarias, se puede tener una primera visión del tema, por ejemplo consultando los tutoriales de TensorFlow.

NOTA sobre instalación: para evitar en lo posible los conflictos entre paquetes, se recomienda crear un entorno "limpio" en Anaconda Navigator, con los siguientes pasos:

  1. Crear un nuevo entorno con Python 3.6, llamado por ejemplo tensorflow
  2. Cargar en dicho entorno los paquetes keras y tensorflow (el propio gestor pedirá instalar paquetes adicionales, como resultado de las dependencias, que se deben aceptar).
  3. Cargar en dicho entorno el editor Jupyter Notebook.

Organizan:

Departamento de Matemática Aplicada

Departamento de Tecnologia Electrónica

 

Num. de plazas: 25

  • 15 para profesores de ambos departamentos
  • 10 para estudiantes de doctorado, master, y cursos avanzados de grado)

 

Fecha de impartición:

10 de junio de 2019

 

Horario:

10:00 -11:30 : On classifying images using Keras and Tensorflow in Python

12:00 - 13:30:  On building LSTM and CNN architectures for modeling time series data

 

Lugar de impartición:

Laboratorio 2.3.2

E.T.S. de Ingeniería Informática / E.T.S. de Ingeniería de Telecomunicación

 

Direcciones de contacto y consulta:

Miguel Atencia: matencia@uma.es

Gonzalo Joya:   gjoya@uma.es

Página web

 

Solicitud de inscripción:

https://www.eventbrite.com/e/registro-taller-de-deep-learning-61029968278

 

Resúmenes de ambas sesiones:

On classifying images using Keras and Tensorflow in Python

Ponente: Catalin Stoean (Universidad de Craiova)

This hands-on presentation will be focused on practical, essential aspects that are necessary in order to build a custom classifier. The tutorial will start from prerequisites, like the libraries that are necessary to install, to the step-by-step procedure for classifying new classes, which have not been previously learnt, by a pre-trained model using transfer learning. Such a separation of new classes of objects in images starts with the building of the novel image data set, its separation into training, validation and test sets. The model will learn to distinguish the objects from the images in the training set, it will be tuned on a validation set and finally it will face images from the previously unseen test set.

 

On building LSTM and CNN architectures for modeling time series data

Ponente: Ruxandra Stoean (Universidad de Craiova)

Stock price prediction is one very challenging and desirable real-world task. The challenge comes from the very dynamic nature of stock movement that is triggered by many different known and unknown factors. An accurate prediction is naturally connected to money gain. In this tutorial, two deep learning architectures will be employed to model such time series data, namely the long short-term memory networks and the temporal convolutional neural networks. The implementation will be performed in Python, using Keras API with Tensorflow backend.


 

Seminario Deep Learning


Deep Learning

Dr. Daniel Urda. Universidad de Cádiz

Martes 18 de diciembre de 2018

Conferencia: 13:00 h.

Taller (para alumnos del Máster): 15:30 h. a 18:30 h.

Aula 0.21 Escuela de Ingenierías Industriales

Resumen:

En esta charla se introducirán conceptos básicos que permitieron avanzar en los últimos años desde el Percepción Multicapa clásico hasta Deep Learning tal como se conoce hoy día. Se mostrarán las arquitecturas de red más comunes junto a la filosofía que se esconde detrás de cada una de ellas, así como ejemplos y casos prácticos de aplicación en diferentes áreas. En el caso particular de arquitecturas de red profunda totalmente conectadas, se introducirá un nuevo enfoque cuyo planteamiento consiste justamente en romper esa conexión total entre neuronas de las distintas capas y se motivará dicho enfoque con algunos casos prácticos.


 

@Master_SIET_UMA