info_imagen.json

{
    "1_Procesamiento_Imagenes": {
        "name": "Procesamiento de Im\u00e1genes",
        "video_urls": [
            "https://www.youtube.com/embed/r-0JW35hII8"
        ],
        "long_description": {
            "intro": "Esta clase ofrece una mirada en profundidad al campo interdisciplinario de la Visi\u00f3n Artificial (Computer Vision), que se basa en obtener una comprensi\u00f3n de alto nivel a partir de im\u00e1genes o videos digitales. Descubre t\u00e9cnicas fundamentales de Procesamiento de Im\u00e1genes como detecci\u00f3n de bordes, filtrado gaussiano y manipulaciones simples. Explora detalladamente c\u00f3mo se organizan y manipulan las im\u00e1genes en Python y emplea la biblioteca OpenCV para tareas de Visi\u00f3n Artificial.",
            "temas": [
                "Introducci\u00f3n a Visi\u00f3n Artificial ",
                "Conceptos de manipulaci\u00f3n de im\u00e1genes: filtros, detecci\u00f3n de bordes y operaciones b\u00e1sicas",
                "Uso de OpenCV para completar tareas comunes de Visi\u00f3n Artificial",
                "Detecci\u00f3n de caras utilizando el algoritmo de Violaa y Jones",
                "Tratamiento de archivos de v\u00eddeo y uso de la c\u00e1mara web con OpenCV."
            ],
            "outro": "Esta clase proporciona habilidades fundamentales en Procesamiento de Im\u00e1genes y Visi\u00f3n Artificial, permitiendo a los estudiantes trabajar efectivamente con im\u00e1genes en Python usando OpenCV. Desarrollo de capacidades para implementar algoritmos de detecci\u00f3n de caras y para manipular y analizar videos y transmisiones de c\u00e1mara web."
        },
        "ipynbs": {
            "Introduccion": "https://colab.research.google.com/drive/1jTI2GGkLeUOvieO1HLIhgTI-iTYvXaK5",
            "ejercicios": "https://colab.research.google.com/drive/1GHHMv93369NG6GnS0VecBwrYHRp-PjGt",
            "ejercicios_solucion": "https://colab.research.google.com/drive/1WKnXuPqnL43E4tXEKb7-YwE6E7nym3qD"
        },
        "materials": {}
    },
    "2_Redes_Convolucionales": {
        "name": "Redes Convolucionales",
        "video_urls": [
            "https://www.youtube.com/embed/VuyRMzpxzxo"
        ],
        "long_description": {
            "intro": "Exploramos c\u00f3mo las capas convolucionales aprenden patrones visuales mediante el uso de Redes Convolucionales, aplic\u00e1ndolas en un ejemplo pr\u00e1ctico de detecci\u00f3n de bordes en im\u00e1genes.",
            "temas": [
                "Introducci\u00f3n a las Redes Neuronales Convolucionales (CNN) y diferencias con los MLP.",
                "Uso y an\u00e1lisis de kernels en convoluciones para procesamiento de im\u00e1genes.",
                "Implementaci\u00f3n de capas convolucionales y su aplicaci\u00f3n en PyTorch.",
                "Entendimiento y aplicaci\u00f3n de detector de bordes verticales.",
                "Aprendizaje de kernels en redes convolucionales.",
                "Diferencias entre correlaci\u00f3n cruzada y convoluci\u00f3n.",
                "Conceptos de mapa de caracter\u00edsticas y campo receptivo.",
                "Uso de Padding y Stride en convoluciones.",
                "Implementaci\u00f3n de entradas y salidas multicanal.",
                "Introducci\u00f3n a convoluciones de tama\u00f1o 1x1.",
                "Aplicaci\u00f3n y beneficios del pooling en CNN."
            ],
            "outro": "Desarrollar\u00e1 la capacidad de implementar y analizar Redes Neuronales Convolucionales para el procesamiento y an\u00e1lisis de im\u00e1genes en proyectos de Inteligencia Artificial."
        },
        "ipynbs": {
            "Capas_Convolucionales": "https://colab.research.google.com/drive/13A3EFcnoOHhYrMwQ7m74zEMdkiMZHGsI",
            "ejercicios": "https://colab.research.google.com/drive/1-FMDdSJzanbntLgekCLOnV64kze3Kl_w",
            "ejercicios_solucion": "https://colab.research.google.com/drive/1mCCmKSj4ld_PZOFO9tcAJhW6DZ2fZvdA"
        },
        "materials": {}
    },
    "3_Evolucion_Historica_CNN": {
        "name": "Evoluci\u00f3n Hist\u00f3rica de las CNN",
        "video_urls": [
            "https://www.youtube.com/embed/wtHUh6ZxuU8",
            "https://www.youtube.com/embed/7iiRs_eaUMw",
            "https://www.youtube.com/embed/jiJfhCHukz0"
        ],
        "long_description": {
            "intro": "Aprende sobre la evoluci\u00f3n de las Redes Convolucionales Neuronales (CNN) y descubre c\u00f3mo las arquitecturas han avanzado desde LeNet hasta los modernos modelos Transformer aplicados en visi\u00f3n por computadora.",
            "temas": [
                "Introducci\u00f3n a las Redes Convolucionales y su importancia hist\u00f3rica.",
                "LeNet y los inicios de las CNN.",
                "Avances con AlexNet y el impacto de las competencias ImageNet.",
                "Inception y los bloques modulares en las CNN.",
                "ResNet y el concepto de conexiones residuales.",
                "DenseNet y la conexi\u00f3n densa entre capas.",
                "La transici\u00f3n de las CNN a los Transformers en tareas de visi\u00f3n por computadora.",
                "Vision Transformers (ViT) y su aplicaci\u00f3n en el an\u00e1lisis de im\u00e1genes."
            ],
            "outro": "Adquirir\u00e1s una comprensi\u00f3n profunda de c\u00f3mo ha evolucionado el campo de las CNN y su aplicaci\u00f3n en inteligencia artificial para procesamiento de im\u00e1genes y visi\u00f3n por computadora."
        },
        "ipynbs": {
            "1_Redes_Convolucionales": "https://colab.research.google.com/drive/1kEAzEtnxonLHdBXi33mddADvRF1nFrfB",
            "2_Transformers_Vision": "https://colab.research.google.com/drive/1-XJzWF3oue1o6a0qEgAwm5vHYmKTK85V",
            "ejercicios": "https://colab.research.google.com/drive/1kL_Hgx8h3N56EmZXgdwlrPZ80ATx2YlY",
            "ejercicios_solucion": "https://colab.research.google.com/drive/1ANgpcx2eKfmLn6LZyv3VlhRlrCSaqQbL"
        },
        "materials": {}
    },
    "4_Transfer_Learning": {
        "name": "Transfer Learning",
        "video_urls": [
            "https://www.youtube.com/embed/aLseNXuCcFM",
            "https://www.youtube.com/embed/Srdtt9eIlek"
        ],
        "long_description": {
            "intro": "En la clase 4 de Transfer Learning aprender\u00e1s c\u00f3mo aplicar t\u00e9cnicas de aprendizaje transferido y realizar ajustes finos en tus modelos de Inteligencia Artificial. Esta clase cubre tanto los aspectos te\u00f3ricos como pr\u00e1cticos de estas t\u00e9cnicas, utilizando Python y Jupyter Notebook para demostrar la implementaci\u00f3n.",
            "temas": [
                "\u00bfQu\u00e9 es Transfer Learning y por qu\u00e9 es importante?",
                "Aplicando Transfer Learning: ejemplos pr\u00e1cticos.",
                "Reconocimiento de im\u00e1genes mediante ajuste fino.",
                "La t\u00e9cnica de Transferencia de Estilos en la IA.",
                "Visualizaci\u00f3n de las caracter\u00edsticas aprendidas por ImageNet.",
                "Interpretabilidad de las Redes Neuronales a trav\u00e9s de la visualizaci\u00f3n por ajuste.",
                "C\u00f3mo implementar la t\u00e9cnica de 'Fine-Tuning'."
            ],
            "outro": "Este curso proporcionar\u00e1 a los estudiantes una s\u00f3lida base en el campo del aprendizaje transferido y les ayudar\u00e1 a aplicarlo en la pr\u00e1ctica. Deber\u00edan ser capaces de evaluar cu\u00e1ndo el aprendizaje transferido es adecuado para sus tareas, c\u00f3mo implementarlo y c\u00f3mo interpretar los resultados del aprendizaje transferido."
        },
        "ipynbs": {
            "3_TransferenciaEstilos": "https://colab.research.google.com/drive/18IuDyB3of9Z44CHxrPPzVYN-KWwkjL2d",
            "1_VisualizacionFeatures": "https://colab.research.google.com/drive/1QGHlZmeu5JdFXfzhCl23E2LYdSJmJUP_",
            "2_FineTuning": "https://colab.research.google.com/drive/1sqBzWg9o5MWkADFifg_xgXI0xx7Rb_sg",
            "ejercicios": "https://colab.research.google.com/drive/1QDEjzA1YSo6O2XIrMTXZGueeMymppgBR",
            "ejercicios_solucion": "https://colab.research.google.com/drive/1Ss9eaAWgjnx_NR6t5IV2fNQ1xrOaqMVm"
        },
        "materials": {}
    },
    "5_Deteccion_Objetos": {
        "name": "Detecci\u00f3n de Objetos",
        "video_urls": [
            "https://www.youtube.com/embed/J_8KsFSbsYo",
            "https://www.youtube.com/embed/_WZ4c-VsukA",
            "https://www.youtube.com/embed/GCZGRDy9thM"
        ],
        "long_description": {
            "intro": "En esta quinta clase del curso, nos adentraremos profundamente en la Detecci\u00f3n Multibox de Disparo \u00danico (SSD), uno de los modelos m\u00e1s utilizados y esenciales para la detecci\u00f3n de objetos. Aprenderemos c\u00f3mo esta t\u00e9cnica utiliza la detecci\u00f3n de objetos a m\u00faltiples escalas para producir resultados efectivos y precisos. Exploraremos c\u00f3mo utilizar en profundidad caracter\u00edsticas como bounding boxes y anchor boxes, as\u00ed como varias t\u00e9cnicas para mejorar la precisi\u00f3n y eficiencia del modelo.",
            "temas": [
                "Introducci\u00f3n a la Detecci\u00f3n Multibox de Disparo \u00danico (SSD).",
                "Comprensi\u00f3n de conceptos como bounding boxes y anchor boxes.",
                "Exploraci\u00f3n del dise\u00f1o y la implementaci\u00f3n de SSD.",
                "Predicci\u00f3n de clases y bounding boxes.",
                "Concatenaci\u00f3n de predicciones para m\u00faltiples escalas.",
                "Entrenamiento del modelo SSD en el conjunto de datos de detecci\u00f3n de pl\u00e1tanos.",
                "Uso de las funciones de p\u00e9rdida y evaluaci\u00f3n en la detecci\u00f3n de objetos.",
                "Aplicaci\u00f3n de la supresi\u00f3n de no m\u00e1ximos para eliminar bounding boxes predichos similares.",
                "Mostrando bounding boxes predichas en la imagen de salida."
            ],
            "outro": "Al finalizar esta clase, ser\u00e1s capaz de implementar y aplicar eficientemente el modelo de Detecci\u00f3n Multibox de Disparo \u00danico (SSD) para la detecci\u00f3n de objetos. Podr\u00e1s trabajar en la optimizaci\u00f3n de este modelo a trav\u00e9s de la predicci\u00f3n y evaluaci\u00f3n de bounding boxes de varias escalas. Esta clase te permitir\u00e1 aplicar t\u00e9cnicas avanzadas de inteligencia artificial y ciencia de datos en problemas de detecci\u00f3n de objetos."
        },
        "ipynbs": {
            "3. SSD": "https://colab.research.google.com/drive/17cFvqaZ75pmisybPcOU6YcO-5kN6XnEU",
            "1. Detecci\u00f3n de Objetos": "https://colab.research.google.com/drive/1GmmqN6Ul3SLUCRcneQORADoCEgemvyog",
            "2. AnchorBoxes": "https://colab.research.google.com/drive/1O5XW7AAMJVbcLWge1bo4LVffMMdDe27r",
            "ejercicios": "https://colab.research.google.com/drive/15X-kJhwPUTG-mRy1cvJGqhgXK6NWfo0_",
            "ejercicios_solucion": "https://colab.research.google.com/drive/12Fo1JMlDbdGmNhA7bS8yRKFSWaMCsLCO"
        },
        "materials": {}
    },
    "6_Segmentacion": {
        "name": "Segmentaci\u00f3n",
        "video_urls": [
            "https://www.youtube.com/embed/0L3FSHNvU9A",
            "https://www.youtube.com/embed/96gc9MLXfis",
            "https://www.youtube.com/embed/wvS7siYe-h0"
        ],
        "long_description": {
            "intro": "En esta parte del curso vamos a explorar un tema muy avanzado en la rama de procesamiento de im\u00e1genes dentro del aprendizaje autom\u00e1tico. Hablaremos sobre la segmentaci\u00f3n sem\u00e1ntica y c\u00f3mo podemos realizarla utilizando el enfoque de Redes Completamente Convolucionales (FCN por sus siglas en ingl\u00e9s). Aprenderemos a utilizar Python y librer\u00edas como Pytorch para construir y entrenar estos modelos.",
            "temas": [
                "Segmentaci\u00f3n Sem\u00e1ntica: Delimitando instancias de diferentes clases a nivel pixel.",
                "Detecci\u00f3n de objetos Vs Segmentaci\u00f3n sem\u00e1ntica.",
                "Dataset Pascal VOC2012.",
                "Convoluci\u00f3n transpuesta y su uso para el \"upsampling\".",
                "El t\u00e9rmino err\u00f3neo de capas \"deconvolucional\".",
                "Fen\u00f3meno del aumento de dimensionalidad.",
                "Conexi\u00f3n entre la convoluci\u00f3n y la matrix transpuesta.",
                "Introducci\u00f3n a las Redes Completamente Convolucionales (FCN).",
                "Entrenamiento y predicci\u00f3n con FCN."
            ],
            "outro": "En esta parte del curso, los estudiantes aprender\u00e1n sobre segmentaci\u00f3n sem\u00e1ntica y c\u00f3mo se puede lograr utilizando redes convolucionales profundas. Tendr\u00e1n la oportunidad de aplicar sus habilidades en Python y Pytorch en la implementaci\u00f3n de estos modelos. Tambi\u00e9n podr\u00e1n entender y explicar conceptos clave como la convoluci\u00f3n transpuesta y las FCN. Este conocimiento aumentar\u00e1 sus habilidades en el procesamiento de im\u00e1genes en el campo de la inteligencia artificial."
        },
        "ipynbs": {
            "Segmentacion": "https://colab.research.google.com/drive/1494EYI2l6fdn6NC3yCgSjyiQMl17sCMw",
            "ejercicios": "https://colab.research.google.com/drive/1H0DIek61kgcVOlS774X9EsQnu_cb59F_",
            "ejercicios_solucion": "https://colab.research.google.com/drive/1Qv41hx97ET9__hhnq2J0fjEimb_4vmq3"
        },
        "materials": {}
    },
    "7_Modelos_Generativos_No_Condicionados": {
        "name": "Modelos Generativos No Condicionados",
        "video_urls": [
            "https://www.youtube.com/embed/8PN6xiZOg74",
            "https://www.youtube.com/embed/hjvFyx0rgU0",
            "https://www.youtube.com/embed/Ox93HwtMgyQ"
        ],
        "long_description": {
            "intro": "En esta clase, exploraremos Modelos Generativos No Condicinados utilizando Python. Aprenderemos sobre Redes Generativas Adversarias, o GAN, que se utilizan para generar nuevos datos sint\u00e9ticos que se parecen a un conjunto de entrenamiento dado. Nos centramos principalmente en la generaci\u00f3n de im\u00e1genes, incluyendo pr\u00e1cticas con conjuntos de datos de im\u00e1genes y construcci\u00f3n de GAN desde cero.",
            "temas": [
                "Introducci\u00f3n a los Modelos Generativos No Condicinados y su importancia en la ciencia de datos.",
                "Explicaci\u00f3n y uso de las Redes Generativas Adversarias (GAN).",
                "Generaci\u00f3n de im\u00e1genes a partir de datos sint\u00e9ticos creados.",
                "Construcci\u00f3n de GAN (Generador y Discriminador) desde cero en Python.",
                "Uso de Redes Generativas Adversarias Convolucionales Profundas (DCGAN), una variante de GAN, para generar im\u00e1genes.",
                "Entrenamiento de redes usando datos de im\u00e1genes existentes."
            ],
            "outro": "Esta clase es esencial para entender la teor\u00eda detr\u00e1s de GAN y c\u00f3mo implementar estas redes en Python. Obtendr\u00e1s habilidades pr\u00e1cticas en la construcci\u00f3n de GAN y la generaci\u00f3n de nuevos datos sint\u00e9ticos a partir de un conjunto de entrenamiento dado. Al final del curso, los estudiantes estar\u00e1n expuestos a pr\u00e1cticas avanzadas de generaci\u00f3n y discriminaci\u00f3n de im\u00e1genes basadas en GANs."
        },
        "ipynbs": {
            "GANs": "https://colab.research.google.com/drive/1LtzcYe3Y0Kpmr0shdGa88Eiock4-_593",
            "ModelosDeDifusi\u00f3n": "https://colab.research.google.com/drive/1bVqnBlbENjdmwxPjs34Jadp0TCLn8Oh4",
            "VAEs": "https://colab.research.google.com/drive/1x3xLDXFVmP98LKshUn1BNf22GNq63jw3",
            "ejercicios": "https://colab.research.google.com/drive/1LzGGh9ILB99Rm2ejY3TyLuMc7yJONtnu",
            "ejercicios_solucion": "https://colab.research.google.com/drive/1bY5TibCLswgnr0eFZH9PEZBs3SboMCOL"
        },
        "materials": {}
    },
    "8_Transformers_Vision": {
        "name": "Transformers Vision",
        "video_urls": [
            "https://www.youtube.com/embed/9M_Eva_fYB0",
            "https://www.youtube.com/embed/gTFare2t04w",
            "https://www.youtube.com/embed/Pqt7s_jsKos",
            "https://www.youtube.com/embed/dzs2AkCQrmY"
        ],
        "long_description": {
            "intro": "En esta clase, vamos a explorar el uso de transformers para visi\u00f3n (ViT) y su aplicaci\u00f3n en la clasificaci\u00f3n de im\u00e1genes. La arquitectura transformer, que inicialmente se propuso para el aprendizaje secuencia a secuencia, ha demostrado su eficiencia en diversas tareas del procesamiento del lenguaje natural. Esta clase pretende adaptarla para el modelamiento de datos de imagen.",
            "temas": [
                "Concepto de Transformers para Visi\u00f3n (ViT).",
                "Comparaci\u00f3n de Convolucionales Neuronales y ViT.",
                "Introducci\u00f3n a los conceptos de sesgo inductivo.",
                "Traducci\u00f3n del flujo de tensores del modelo original de procesamiento de lenguaje natural a ViT.",
                "Introducci\u00f3n a la auto-atenci\u00f3n y m\u00faltiple cabezal de atenci\u00f3n.",
                "Codificaci\u00f3n posicional.",
                "Conexiones residuales y normalizaci\u00f3n de capa.",
                "Entrenamiento de un ViT desde cero.",
                "Fine-tuning sobre un ViT pre-entrenado."
            ],
            "outro": "Esta clase busca mejorar la comprensi\u00f3n de los alumnos acerca de los transfomers y su aplicaci\u00f3n en la visi\u00f3n por computadora. Desarrollar\u00e1n la habilidad de entrenar \u00a1y realizar fine-tuning a un ViT utilizando datos de im\u00e1genes en Python. Este es un paso cr\u00edtico para aplicar la t\u00e9cnica de transformers en el campo de la visi\u00f3n por computadora."
        },
        "ipynbs": {
            "Transformers_Vision": "https://colab.research.google.com/drive/1zeKJRRMm_6EDVgBWjTcIV4rauhc7LeZ1",
            "ejercicios": "https://colab.research.google.com/drive/1ghmHMXLBdk9maPvUmYSdv9RlVsUKE2ty",
            "ejercicios_solucion": "https://colab.research.google.com/drive/1MD_En1fx5sedlD7PJU_SawBMTPRjR7wr"
        },
        "materials": {}
    },
    "9_Imagenes_y_Lenguaje": {
        "name": "Im\u00e1genes y Lenguaje",
        "video_urls": [
            "https://www.youtube.com/embed/2QeO8yCyvoI",
            "https://www.youtube.com/embed/fYacAOF_A_U",
            "https://www.youtube.com/embed/6pcgtxvMXKk"
        ],
        "long_description": {
            "intro": "Aprender\u00e1s sobre el modelo CLIP de OpenAI y c\u00f3mo puede ser implementado con Pytorch. Discutiremos su importancia en la comprensi\u00f3n de im\u00e1genes y lenguaje, las limitaciones de los enfoques tradicionales de Computer Vision, y c\u00f3mo CLIP supera estas limitaciones a trav\u00e9s de embeddings multimodales. Adem\u00e1s, brindamos un tutorial sobre c\u00f3mo entrenar el modelo CLIP utilizando el dataset flicker30k.",
            "temas": [
                "Importancia de los embeddings multimodales.",
                "Limitaciones de los enfoques de Computer Vision.",
                "Descripci\u00f3n del modelo CLIP de OpenAI.",
                "Implementaci\u00f3n y entrenamiento de CLIP con Pytorch.",
                "Uso del modelo para la clasificaci\u00f3n de im\u00e1genes."
            ],
            "outro": "Adem\u00e1s de reforzar tus habilidades de Python, desarrollar\u00e1s tu comprensi\u00f3n de los modelos de aprendizaje profundo como CLIP y su implementaci\u00f3n pr\u00e1ctica en Pytorch. Tambi\u00e9n aprender\u00e1s sobre la importancia de los embeddings multimodales y c\u00f3mo se pueden utilizar para la clasificaci\u00f3n de im\u00e1genes."
        },
        "ipynbs": {
            "CLIP_ Im\u00e1genes y Lenguaje Natural": "https://colab.research.google.com/drive/1tFELXAqUe2wUrkvND3kJUWIkCCUsLcHf"
        },
        "materials": {}
    },
    "10_Modelos_Fundacionales": {
        "name": "Modelos Fundacionales",
        "video_urls": [
            "https://www.youtube.com/embed/1bQTRiheXow",
            "https://www.youtube.com/embed/UZ9PzFp6aVQ"
        ],
        "long_description": {
            "intro": "Descubre c\u00f3mo el modelo Segment Anything (SAM) de Meta revoluciona la segmentaci\u00f3n de im\u00e1genes con sus capacidades de generalizaci\u00f3n, permiti\u00e9ndote segmentar cualquier objeto sin entrenamiento adicional.",
            "temas": [
                "Introducci\u00f3n al Modelo Segment Anything (SAM) y su importancia en la segmentaci\u00f3n de im\u00e1genes.",
                "Diferencias entre segmentaci\u00f3n interactiva y autom\u00e1tica, y c\u00f3mo SAM las supera.",
                "Arquitectura y componentes clave de SAM: Image Encoder, Prompt Encoder, y Mask Decoder.",
                "Uso e implementaci\u00f3n de SAM en proyectos a trav\u00e9s de ejemplos pr\u00e1cticos en Colab.",
                "Aplicaciones pr\u00e1cticas de SAM: creaci\u00f3n de m\u00e1scaras con un clic, segmentaci\u00f3n autom\u00e1tica, y generaci\u00f3n de m\u00e1scaras a partir de bounding boxes."
            ],
            "outro": "Al final de esta clase, ser\u00e1s capaz de implementar SAM en tus propios proyectos de segmentaci\u00f3n de im\u00e1genes y entender su arquitectura y aplicaciones."
        },
        "ipynbs": {
            "1_SAM": "https://colab.research.google.com/drive/1yBQ3_LKLbgSGoqqyOe2iM8d33oMkCfnJ",
            "2_Stable_Diffusion": "https://colab.research.google.com/drive/1Uf-2Gj86BT6dLhQNcx4IzuvbUjmpoI8P"
        },
        "materials": {}
    }
}