Tutoriales CAI 2019
T1. Introducción al lenguaje R
Docentes: Dra. Florencia D’Andrea (INTA IRB-CONICET) y Mg. Yanina Bellini Saibene (INTA Anguil)
Presentación: La popularidad del lenguaje R es un fenómeno relativamente reciente. Su uso es asociado casi exclusivamente con la estadística por lo que suelen quedar invisibilizadas otras posibilidades que brinda este lenguaje. Herramientas útiles para la visualización y limpieza de los datos son generalmente poco conocidas, ya que son consideradas accesorias.
Costo: $400 - Inscriptos a las JAIIO. $1200 - No inscriptos a las JAIIO.
Más información.
T2. Desarrollo de aplicaciones móviles para la clasificación de imágenes agropecuarias con deep learning
Docente: Ing. Javier Berger
Presentación: Deep Learning se ha convertido en una de las técnicas más utilizadas para realizar tareas de visión artificial. La aplicación de reconocimiento de imágenes presenta un alto potencial en diferentes eslabones de la cadena agropecuaria, en este curso de cuatro horas, presentaremos una primera parte teórica que incluye la configuración del entorno y posteriormente la parte práctica que abarca desde entrenar el modelo, validar en la computadora, pasar a Android y evaluar en el dispositivo móvil.
Costo: $400 - Inscriptos a las JAIIO. $1200 - No inscriptos a las JAIIO.
Más información.
T3. Google Earth Engine desde Cero
Docentes: Mg Hernán Elena (INTA Salta) y Mg. Yanina Bellini Saibene (INTA Anguil).
Presentación: Google Earth Engine (GEE) se define como una plataforma a escala planetaria para aprovechar datos y realizar análisis utilizando la potencia de la computación en la nube y los grandes datos. GEE combina un catálogo de múltiples petabytes de imágenes satelitales y conjuntos de datos geoespaciales con capacidades de análisis a escala global y lo pone a disposición de científicos, investigadores y desarrolladores para detectar cambios, mapear tendencias y cuantificar las diferencias en la superficie de la Tierra. Este curso de cuatro horas propuesto en el Congreso de AgroInformática pretende introducir a los usuarios en esta plataforma, su interfaz, catálogo de datos disponible. La práctica y los casos de uso se presentarán por medio de script previamente desarrollados, los cuales serán explicados y ejecutados durante la práctica del taller.
Costo: $400 - Inscriptos a las JAIIO. $1200 - No inscriptos a las JAIIO.
Más información.
Tutorial/Taller SAIV 2019
Jueves 19/9
Tutorial Extreme Learning Machine
Docente: Dr. Marco Mora Cofre (UCM, Talca, Chile)
Presentación: Extreme Learning Machine (ELM) es un nuevo paradigma de entrenamiento de Redes Neuronales Feedforward tales como el Multilayer Perceptron. El entrenamiento de las Redes Neuronales se puede entender como un problema de optimización que busca el mejor conjunto de pesos que minimiza una función de distancia entre la salida de la red y la salida deseada. El algoritmo de backpropagation consiste en la búsqueda de los pesos de considerando como función de costo el Error Cuadrático Medio y el algoritmo de optimización Descenso de Gradiente (DG). En este algoritmo encontrar el valor óptimo de cada peso implica una búsqueda mediante DG. Lo anterior explica la gran cantidad de tiempo involucrado para el entrenamiento de redes con muchos pesos. Por el contrario, ELM es una forma de entrenamiento que consiste en asignar aleatoriamente los pesos de la o las capas ocultas, y calcular mediante un algoritmo de optimización simple los pesos de la capa de salida. La literatura muestra que este tipo de entrenamiento corresponden a un aproximador universal de funciones, es decir es posible llegar a un error de entrenamiento tan pequeño como se desee. En el caso más conocido, debido a que los pesos son obtenidos aleatoriamente, se conocen las salidas de la capa oculta, luego los pesos de la capa de salida pueden ser obtenidos analíticamente mediante el computo de la pseudoinversa. La forma de entrenamiento ELM permite que el entrenamiento de la red disminuya dramáticamente sin perder niveles de ajuste comparables con los conocidos MLP y SVM. Estas redes están teniendo una explosión en su utilización pues sus características les permiten abordar problemas complejos debido a que involucran una gran cantidad de datos, o donde se requiere una gran cantidad de entrenamiento de la red como son los problemas de validación cruzada. En este tutorial se presenta una aproximación comprensiva de las redes ELM, se revisa inicialmente los con conceptos de las redes tradicionales, se presenta de forma pedagógica la red ELM, y se realiza una pruebas prácticas con algoritmos programados en Matlab.
Duración: 2 horas
Viernes 20/9
Taller IACreativa: Generative Adversarial Networks en Pytorch
Docente: Dr. Emmanuel Iarussi (UTN-FRBA, CONICET)
Presentación: El reciente auge de las técnicas de Aprendizaje Profundo (Deep Learning) permiten revisitar una gran cantidad de problemas de la Computación Gráfica y Visual desde una nueva perspectiva. En particular, las Redes Generativas Antagónicas (GANs) son capaces de producir imágenes fotorealistas de alta calidad visual como nunca antes había sido posible. Su impacto es transversal a muchas áreas creativas como el diseño industrial de productos, las interfaces interactivas y la síntesis de objetos 3D. Este curso cubre aspectos fundamentales para comprender e implementar arquitecturas GAN utilizando el lenguaje Python y el framework PyTorch (https://pytorch.org/). Asimismo, nos proponemos hacer un breve recorrido por el estado del arte en problemas en la temática, poniendo especial énfasis en la manipulación de contenido digital visual.
Duración: 4 horas
Taller AGRANDA 2019
Miércoles 18/9 (9:30 a 13:00 hs)
Taller Introducción a Deep Learning y su Aplicación al Análisis de Imágenes
Docente: Dr. Enzo Ferrante
Presentación: En este taller introductorio indagaremos sobre uno de los conceptos que ha revolucionado las ciencias de la computación en los últimos años: el aprendizaje profundo (o deep learning en inglés). Analizaremos las diferencias conceptuales entre aprendizaje profundo, aprendizaje automático e inteligencia artificial. Estudiaremos los modelos básicos de redes neuronales junto con los algoritmos necesarios para entrenarlos. Y profundizaremos sobre un tipo particular de red neuronal: las redes neuronales convolucionales, especialmente útiles para el análisis de imágenes.
Taller TAIC 2019
Miércoles 17/9 (14:00 a 16:00 hs)
Taller LoraWAN IOT: Taller: despliegue de soluciones IOT en smartcities con tecnología LoRaWAN.
Docente: Candia Agustin. Lo Grasso Federico
Tutorial CAIS 2019
Miércoles 18/9 (09:00 a 13:00 hs)
Regresión Logística: Su Aplicación en Ciencias de la Salud
Docente: Villarreal, Fernanda Soledad (Departamento de Matemática - Universidad Nacional del Sur - Bahía Blanca)