Featured image

Deep Learning Ikusmen Artifizialerako

Industrian, IA hainbat arazo konpontzeko erabiltzen da, hala nola, fabrikazioan akatsak hautemateko, hornikuntza-katea optimizatzeko, eskaria iragartzeko eta energia-eraginkortasuna hobetzeko. Gainera, IA produktuen eta zerbitzuen kalitatea hobetzeko erabiltzen da, eta horrek bezeroaren gogobetetzea areagotu dezake. Enpresei ere lagundu diezaieke beren eragiketak optimizatzen eta beren karbono-aztarna murrizten, baita IAko moduluena ere.
Ikastaroan zehar ariketa praktikoak egingo dira Python erabiliz.

Nori zuzenduta:


Edozein jarduera-sektoretako profesional teknikoak (laborategiko teknikariak, industria-teknikariak eta -ingeniariak, lanbide-heziketako irakasleak, etab.) Deep Learning bidezko irudien tratamenduaren testuinguru espezifikoaren barruan gaur egungo arazoei aurre egiteko ezagutzak eskuratu nahi dituztenak.
 

Baldintzak:

  • Programazioari buruzko oinarrizko ezagutzak, batez ere Python-en.
  • Machine Learning-en oinarrizko ezagutzak Python-ekin.

Programa:

  • Programazioa: Programazio-inguruneak (Colab, Jupyter, Nativa) eta Python-en oinarrizko kontzeptuak (Numpy, Pandas, Matplot, …).
  • Deep Learning-erako sarrera: Pytorch, Tensorflow eta Keras-en oinarrizko kontzeptuak, eta erregresioaren eta sailkapenaren oinarrizko kontzeptuak.
  • Deep Learning gainbegiratua: Sare konboluzionalak (CNN) irudiak sailkatzeko, segmentatzeko, objektuak detektatzeko eta sare errepikariak.
  • Deep Learning no-gainbegiratua: Autoencoders, kontrako sareak eta anomalien detekzioa.
  • Deep Learning moduluak hedatzea (hardware dedikatua edo Edge Computing).
  • IAM8 Deep Learning-en karbono-aztarna minimizatzeko teknikak

Datak eta ordutegia:

  • Datak: apirilak 8, 11, 15  eta 18 (4 egun guztira) 
  • Ordutegia: 9:00-14:00 (5 ordu eguneko, 20 ordu guztira)

Modalitatea:

Presentziala: Garaia Enpresa Digitala - Goiru Kalea, 1, 20500 Arrasate, Gipuzkoa