Curso Práctico de Deep Learning - June 25th to 28th

Date:

June 25th to 28th. Morning: Tuesday to Thursday from 9:00 AM to 1:00 PM. Friday from 9:00 AM to 12:00 PM

Classroom:

PC1

Instructors

Ferran Reverter Comes

Tenured assistant professor, Dep. Genètica, Microbiologia i Estadística, UB,

The main areas of my scientific activity are:
1. Development and implementation of statistical tools for data analysis in Biosciences,
2. Enhancing kernel-based methods to increase its interpretability,
3. Implementation of image analysis tools for wide range of applications (Health,Digital humanities, ...).
I participated as a postdoctoral researcher at the Center for Genomic Regulation (CRG, http://www.crg.eu/) in the research program of Bioinformatics and Genomics at the Barcelona Biomedical Research Park (PRBB, https://www.prbb.org/)

Esteban Vegas Lozano

Associate professor, Dep. Genètica, Microbiologia i Estadística, UB,

Mi trayectoria científica se centra en la investigación en el área del análisis de datos médicos o biológicos preferentemente. En los últimos años, estoy trabajando en la nueva área interdisciplinaria del conocimiento denominada Bioinformática, donde se tiene una gran cantidad de datos ómicos y el trabajo de análisis de toda la información que se aporta tiene unas características totalmente diferentes al análisis de datos clásico. Como consecuencia, en este momento estoy aplicando y desarrollando técnicas de machine learning y métodos estadísticos para la integración de datos. En particular, mi investigación se centra en temas de visualización de métodos de reducción de la dimensionalidad no lineal y métodos basados en funciones kernel.

Language

Català, Castellano

Description

Deep learning es una rama específica del aprendizaje máquina que se fundamenta en aprender los patrones en los datos, codificando en capas sucesivas cada vez con más abstracción. Un hecho que los distingue de otros métodos de aprendizaje máquina es el "feature learning" lo que incrementa su potencia y favorece su aplicabilidad. En este curso se verán algunos de los modelos del Deep Learning más característicos y que se han aplicado en ámbitos diversos como en el análisis de imágenes, el análisis de datos ómicas, entre otros.

Course goals

Dotar al estudiante de los conocimientos formales y aplicados para implementar modelos del Deep Learning (Autoencoders, Convolutional Neural Nets, Generative Adversarial Nets ) con Keras para R

Course contents

Programa

1. Fundamentos de aprendizaje máquina

Tipos de aprendizaje máquina.
Evaluación de modelos de aprendizaje máquina.
El pipeline para abordar problemas de aprendizaje máquina.
Antes del Deep Learning

2. Comenzando con las redes neuronales

Capas: los bloques de construcción del Deep Learning.
Funciones de pérdida y optimizadores: claves para configurar el proceso de aprendizaje.
Una introducción a Keras con R.

3. Deep learning para visión por computador

Entendiendo las redes neuronales convolucionales (convnets)
Entrenando un convnet desde cero con un pequeño conjunto de datos
Modelos predictivos basados en autoencoders convolucionales.

4. Redes adversarias generativas (GANs)

Generador, Discriminador. Arquitecturas GAN
Implementando una GAN.
Vectores conceptuales para la edición de imágenes.

Bibliografia

Chollet, F., & Allaire, J. J. (2018). Deep Learning with R. Manning Publications Company.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.
Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). Deep learning (Vol. 1). Cambridge: MIT press.

Prerequisites

Conocimientos avanzados de R o Python.

Targeted at

Estudiantes de master o doctorado en el ámbito del análisis de datos.

Evaluation

La evaluación se basará en la elaboración de un informe a partir del análisis de un conjunto de datos efectuado con alguno de los modelos de Deep Learning.

Computer class or student's laptop?

Computer room

Software requirements

R (3.5.3 o superior)
RStudio (Version 1.1.463 o superior)
Anaconda (Python 3.7)
Latex distribution (por ejemplo MikTex)

Curso Práctico de Deep Learning