Learn Machine Learning or Die

Este seminario comienza con una introducción al aprendizaje automático y las redes neuronales que pretende acercar a los estudiantes a un campo que en la actualidad está atrayendo la atención no sólo de ingenieros, sino también de un amplio espectro de industrias como la sanitaria, los seguros, la conducción autónoma, la fabricación, etc. En un primer momento se introducen los conceptos de inteligencia artificial y aprendizaje automático, así como sus principales diferencias. A continuación, se tratarán otros conceptos fundamentales como el aprendizaje supervisado y no supervisado o las diferentes etapas de un sistema estándar de reconocimiento de patrones (adquisición, extracción de características, clasificación, evaluación y despliegue) para entrar luego en el imprescindible campo del aprendizaje profundo. Para ilustrar todas estas ideas se presentarán algunos ejemplos prácticos que están actualmente en funcionamiento. Esta primera parte del seminario terminará animando a los estudiantes a considerar el aprendizaje automático como una carrera futura, proporcionándoles consejos para ampliar sus conocimientos.

La segunda parte del seminario se iniciará, tras un descanso, con el objetivo de aportar una visión realista de cómo se utiliza el aprendizaje profundo en la empresa, describiendo todos los aspectos prácticos que hay que tener en cuenta, así como los diferentes roles que hay dentro de un equipo de Inteligencia Artificial o Machine Learning. El seminario describe el ciclo completo de un proyecto de aprendizaje profundo: los requisitos del sistema, la adquisición de datos, el entrenamiento, el desarrollo, la evaluación y el testeo de los prototipos. Mientras que la investigación que se lleva a cabo en el mundo académico está más enfocada a mejorar el estado del arte en problemas no resueltos, sus soluciones no suelen estar listas para aplicaciones en el mundo real. Por ello, el papel de la investigación industrial es comprender bien las soluciones del estado del arte y adaptarlas a problemas concretos y reales, objetivos para los que muchas veces se requiere la adquisición de más datos. Además, en las aplicaciones del mundo real se persigue encontrar el mejor compromiso entre rendimiento y tiempo de ejecución, que dependerá de los requisitos concretos de la aplicación en cuestión y del hardware que se pueda emplear.