Cursos de la Diplomatura en
Visión por Computadora

Docentes a cargo:  

Temario:
1. Introducción, Python y librerías de IA.
2. Inteligencia artificial. Fundamentos y objetivos. Resolución de problemas con IA.
3. Métodos de optimización. Gradiente Descendente, Recocido simulado y algoritmo genético.
4. Fundamentos de aprendizaje automático. Sesgo y varianza. Sensibilidad y especificidad. Precisión y exhaustividad.
5. Aprendizaje estadístico. Riesgo empírico. Datos. Entrenamiento, validación y testeo.
6. Regresión Lineal. Regularización, Regresión Lasso y Ridge.
7. Problema de clasificación. Regresión logística. Clasificador Bayesiano. Naive Bayes. Curva ROC.
8. Aprendizaje por refuerzo. Algoritmos para el control de aprendizaje.

- Ver la página web del curso

Docentes a cargo: 

Temario:
1. Redes neuronales feedforward.
2. Funciones de activación. Funciones de pérdida. Algoritmos de optimización.
3. Regularización y ajustes de hiperparámetros en redes neuronales.
4. Pytorch.
5. Capa embeddings.
6. Redes neuronales convolucionales.
7. Redes neuronales recurrentes. Capa attention.
8. Redes neuronales autoencoder.
9. Aprendizaje por transferencia.
10. Redes neuronales adversarias generativas.

- Ver la página web del curso

Docentes a cargo: Ing. Maxim Dorogov, Esp. Ing. Leandro Torrent

Temario:
1. Introducción a imágenes, sistemas de visión, espacios de color y OpenCV.
2. Operadores de píxel, histogramas, binarización, coordenadas cromáticas.
3. Filtros convolucionales, no lineales, padding, DoG, Fourier, Canny.
4. Template matching, descriptores, Harris, Transformada de Hough, pirámides.
5. Extracción de características, SIFT, SURF, ORB, FAST, RANSAC, homografía.
6. Segmentación, Introducción a tracking y procesamiento de video.
7. Procesamiento de video, gstreamer, tracking, optical flow, detección de fondo.
8. Visión estéreo, calibración de cámaras, estimación de profundidad.

- Ver la página web del curso

Docentes a cargo: Ing. Juan Ignacio Cornet, Ing. Juan Ignacio Cavalieri, Dr. Seyed Pakdaman.

Temario:
1. Clasificación de imágenes: AlexNet, VGGNet, ResNet, Inception.
2. Data Augmentation.
3. Transfer Learning.
4. Detección de objetos: Faster R-CNN, YOLO, SSD, etc.
5. Segmentación semántica y de instancias: U-Net y Mask R-CNN.
6. GradCAM.
7. Aprendizaje no supervisado aplicado a imágenes.
8. Visual Transformers.
9. Neural Style Transfer.

- Ver la página web del curso

Docentes a cargo: Esp. Abraham Rodriguez,  Mg. Oksana Bokhonok

Temario:
1. Arquitectura de Transformers e imágenes como secuencias.
2. Arquitecturas de ViT y el mecanismo de Attention.
3. Ecosistema actual, Huggingface y modelos pre entrenados.
4. Diffusion, GPT y modelos generativos.
5. Modelos multimodales: combinación de visión y lenguaje.
6. Segmentación con SAM y herramientas de auto etiquetado multimodales.
7. OCR y detección con modelos multimodales.

- Ver la página web del curso