Aplicaciones de Machine Learning en Sensores Remotos
Este curso teórico práctico, tiene como objetivo enseñar a los estudiantes cómo aplicar métodos de machine learning y procesamiento de datos para analizar y entender la información obtenida de los sensores remotos. Los estudiantes aprenderán a extraer características relevantes y patrones, así como a clasificar y predecir, para resolver problemas en situaciones reales en diferentes áreas como la ingeniería, agricultura, ambiental, biología y geología. Los estudiantes aprovecharán herramientas del lenguaje de programación Python que les permitirá aplicar los conocimientos teóricos en casos prácticos desafiantes que les permitirá trabajar en proyectos de inteligencia artificial en sensores remotos.
El curso teórico practico, permite al interesado sumergirse rápidamente en las técnicas más populares de la IA para la aplicación de soluciones a proyectos de ingeniería. La combinación de videos, ejercicios guiados, horas de consulta con los profesores ofrecen al estudiante reforzar interactivamente la información aprendida en cada clase del curso.
Este curso ofrece una amplia experiencia del profesor en proyectos de investigación y la consultoría de proyectos en fases de planeación y análisis a partir de la inteligencia artificial.
Dirigido a
Estudiantes y Profesionales dedicados a los sectores de ingeniería mecánica, civil, eléctrica, industrial, de procesos y en general, interesados en fortalecer conocimientos en programación en Python, así como conocer los principios básicos en Inteligencia Artificial (Machine Learning y Deep Learning), y su aplicación en fases de planeación, aplicación, análisis y predicción de proyectos de ingeniería.
Objetivos
Al finalizar el curso el estudiante estará en capacidad de:
• Aprender a utilizar las principales funcionalidades de Python, así como los paquetes seleccionados más importantes de este lenguaje (Numpy / SciPy / Pandas / Matplotlib/Scikit-learn), a través de un proyecto en Jupyter Notebook y/o Google Colaboratory.
• Conocer y aplicar los conceptos básicos de Inteligencia Artificial, así como los principales algoritmos de Machine Learning y Deep Learning, aplicados a procesos de optimización, simulación y control de calidad.
• Extraer características relevantes y patrones en conjuntos de datos de sensores remotos.
• Clasificar y predecir datos para resolver problemas en situaciones reales en diferentes áreas como la ingeniería, agricultura, biología, geología y gestión del riesgo ambiental.
• Aprender a utilizar las principales librerías de Machine Learning en la actualidad (Scikit- Learn), y de Deep Learning (Keras, TensorFlow y PyTorch).
Metodología
Clases virtuales de forma sincrónica. La metodología en la que se basa este curso es una combinación entre la teoría y ejercicios prácticos, programados en lenguaje Python, donde los participantes pueden aplicar los conceptos aprendidos en su carrera profesional, así como una serie de sesiones donde el instructor cubre los conceptos básicos del material.
Contenido
MODULO I: Introducción a la Inteligencia Artificial.
• Introducción a Programación en Python.
• Exploratory Data Analysis (EDA).
• Machine Learning.
• Deep Learning.
MODULO II: Fundamentos de programación en Python en datos de sensores remotos.
• Métodos de visualización de datos.
• Crossplots de propiedades.
• Análisis estadístico. • Procesamiento de datos.
MODULO III: Métodos de machine learning aplicados a sensores remotos.
• Técnicas de clasificación.
• Extracción de características y patrones de datos de sensores remotos.
• Clasificación de usos del suelo con machine learning en imágenes satelitales.
• Modelamiento y predicción de datos de suelo enfocados al medio ambiente.
• Optimización de la resolución de imágenes satelitales usando Inteligencia artificial.
MODULO IV: Fusión de imágenes usando Inteligencia artificial
• ¿Qué es la fusión e imágenes? Técnicas de fusión con I.A y algoritmos genéticos.
• Fusión de imágenes de Alta resolución con imágenes de baja resolución para optimizar datos a partir de Deep learning.
• Fusión de imágenes multiespectrales con imágenes RGB usando RNN.
Profesores
Condiciones
Eventualmente la Universidad puede verse obligada, por causas de fuerza mayor a cambiar sus profesores o cancelar el programa. En este caso el participante podrá optar por la devolución de su dinero o reinvertirlo en otro curso de Educación Continua que se ofrezca en ese momento, asumiendo la diferencia si la hubiere.
La apertura y desarrollo del programa estará sujeto al número de inscritos. El Departamento/Facultad (Unidad académica que ofrece el curso) de la Universidad de los Andes se reserva el derecho de admisión dependiendo del perfil académico de los aspirantes.
