Computer Vision is an area that seeks to teach machines how to understand and automate tasks that the human visual system can do. In this talk, we will review some of the foundations and techniques used on Deep Learning for solving different Computer Cision tasks such as image recognition, segmentation, object detection and image captioning.
En este taller, explicaré sobre el proceso de preparación de datos de texto para que una máquina pueda entender el lenguaje natural. Mostraré algunas técnicas populares, aplicaciones, y diversas librerías de procesamiento del lenguaje natural.
The graph applications are found everywhere: having applications in sales, computer science, natural language processing, cyber analytics, and many other fields. For example, movies on a website can be viewed as nodes, and edges are drawn between nodes if a customer watches both films at some point. Here, similar films could be suggested by system recommendation. More generally, graph networks can be used to answer classification problems, clustering problems, and unsupervised and supervised learning problems.
This talk will provide an introduction to graph neural networks (GNNs) and some applications. We will provide the fundamental concepts necessary to understand how convolution operations are performed on graphs. Finally, we will apply the theory learned in the node classification task using GNNs.
Un modelo generativo tiene la capacidad de aprender cualquier tipo de distribución de datos utilizando aprendizaje no supervisado. En este sentido, los modelos generativos tienen como objetivo conocer la verdadera distribución de datos del conjunto de entrenamiento para generar nuevos puntos de datos con algunas variaciones. Sin embargo, no siempre es posible conocer la distribución exacta de los datos. Por lo tanto, se intenta modelar una distribución que sea lo más similar posible a la distribución de datos real. Para ello, las redes neuronales son utilizadas para el aprendizaje de una función que puede aproximar la distribución del modelo a la distribución real. Dentro de los enfoques más utilizados y eficientes se encuentran los Autoencoders Variacionales (VAE) y las Redes Adversarias Generativas (GAN).