Esta es la segunda parte del curso de Redes Neuronales para las Series Temporales, que es parte del diplomado de Desarrollo de Aplicaciones de Inteligencia Artificial de la PUCP. Son 4 sesiones en las que discutiremos ideas de cómo usar las redes neuronales recurrentes para el procesamiento de series temporales.
Docente: Pablo Fonseca
Sesiones de clase
Contacto
La mejor forma es a través del e-mail pfonseca@pucp.edu.pe
Clase 1 - 24/01 Introducción a las Series Temporales
En esta clase introducimos conceptos de series temporales y algunas ideas de cómo procesarlas. Realizaremos 3 ejercicios prácticos y analizaremos un caso de estudio real.
Material
Notebooks
Clase 2 - 25/01 RNNs (LSTM), Memoria y Gating
En esta clase haremos un repaso de las ideas de redes recurrentes (RNNs) y estudiaremos la arquitectura de la LSTM (long short-term memory) , y con ello, los conceptos de memoria y compuertas (gating)
Material
Notebooks
Material adicional
Clase 3 - 31/01 Mecanismos de atención
En esta clase afianzaremos los conocimientos de RNNs y LSTMs a través de un tutorial (con 2 partes: la primera es una comparación entre RNN y LSTM en una tarea simple, y la segunda la creación de un modelo de lenguaje). Luego procederemos a discutir ideas de los mecanismos de atención (una de las diferencias más resaltantes entre las redes neuronales de los 80's y 90's versus las actuales).
Tutorial (en Google Colab)
Diapositivas
Material Adicional
Challenge en Kaggle
Link en Kaggle: https://www.kaggle.com/t/5a1f0b19f39743009a187622700671fa (conversar con Renato para más detalles)
Clase 4 - 07/02 Modelando Secuencias y Series Temporales
En esta sesión terminaremos de estudiar las ideas que nos permiten realizar el modelado de secuencias usando un casobasado en modelos de lenguajes. Nos enfocaremos especialmente en las formas en que podemos generar nuevas secuencias, y por ende "predecir" un comportamiento plausible.
Usaremos una parte de la clase para discutir las dudas que puedan tener sobre el Challenge en Kaggle.
Diapositivas
Test de Salida
Notebooks
Materiales adicionales
Cómo continuar el aprendizaje