Mastering Machine Learning: tiny and simple

Curso

Mastering Machine Learning: tiny and simple

Inicio / Programas / Mastering Machine Learning: tiny and simple

Requisitos: Profesionales interesados en el área de aprendizaje de máquina. Estudiantes de últimos semestres de pregrados o maestría afines a ingeniería, matemáticas, física.

Idioma: Español

Horario*: Martes, miércoles, jueves, viernes y sábados de 08:00 a.m. A 12:00 m. Y 1:30 p.m. A 5:00 p.m.

*Los horarios y modalidad (virtual o semipresencial) de los cursos están sujetos a modificaciones de acuerdo a las disposiciones del Gobierno Nacional y Distrital para el manejo del COVID 19. Las fechas y horarios de las sesiones podrán ser consultados en mibanner.uniandes.edu.co

Si te inscribes bajo la modalidad de extensión, recibirás una insignia digital. Conócela aquí

Este curso hace parte del portafolio de materias de pregrado y posgrado de la Universidad  abiertas a todo público.

Al participar en este curso podrás vivir la experiencia Uniandina, acceder a contenidos de calidad, tomar  clases con estudiantes regulares, acceder al sistema de bibliotecas de Uniandes y participar en las actividades culturales que esta Universidad te ofrece.

Contenido

Mastering Machine Learning es un curso de verano organizado por la Facultad de Ingeniería de la Universidad de los Andes que continúa con la tradición de cursos de verano en Machine Learning iniciados desde el 2018 (2018, 2019, 2021).

El Aprendizaje de Máquina o Machine Learning (ML) ha cobrado en años recientes gran importancia en la industria y la academia en procesos de modelamiento, automatización, predicción y toma de decisiones debido principalmente a tres factores: la creciente disponibilidad de datos y la variedad de sensores disponibles; el aumento en la capacidad de procesamiento; y la reducción de tamaño y costos en sistemas embebidos con acceso a internet en ecosistemas de IoT.

Este año, el curso Mastering Machine Learning se enfoca en explicar los fundamentos teóricos y prácticos que permiten integrar los modelos más recientes y ampliamente usados en la industria, tales como Deep Neural Networks (DNN) y Support Vector Machines (SVMs), en sistemas embebidos, los cuales son la base de tecnologías emergentes como tinyML y Edge AI. Este curso involucra clases teóricas y talleres de laboratorio prácticos donde los estudiantes tendrán la oportunidad de aplicar los conocimientos adquiridos.

El curso cuenta con talleres de laboratorio en los cuales se hará despliegue de modelos de ML en sistemas embebidos como Raspberry Pi y celulares mediante el uso de la herramienta Edge Impulse.

Mastering Machine Learning se desarrollará de forma presencial en la Universidad de los Andes entre el 28 de junio y el 2 de julio de 2022. El curso se dictará en español y contará también con tres charlas de expertos en ML, las cuales podrán ser en inglés de forma remota. Si quiere conocer más acerca del programa siga este enlace:Mastering Machine Learning es un curso de verano organizado por la Facultad de Ingeniería de la Universidad de los Andes que continúa con la tradición de cursos de verano en Machine Learning iniciados desde el 2018 (2018, 2019, 2021).

El Aprendizaje de Máquina o Machine Learning (ML) ha cobrado en años recientes gran importancia en la industria y la academia en procesos de modelamiento, automatización, predicción y toma de decisiones debido principalmente a tres factores: la creciente disponibilidad de datos y la variedad de sensores disponibles; el aumento en la capacidad de procesamiento; y la reducción de tamaño y costos en sistemas embebidos con acceso a internet en ecosistemas de IoT.

Este año, el curso Mastering Machine Learning se enfoca en explicar los fundamentos teóricos y prácticos que permiten integrar los modelos más recientes y ampliamente usados en la industria, tales como Deep Neural Networks (DNN) y Support Vector Machines (SVMs), en sistemas embebidos, los cuales son la base de tecnologías emergentes como tinyML y Edge AI. Este curso involucra clases teóricas y talleres de laboratorio prácticos donde los estudiantes tendrán la oportunidad de aplicar los conocimientos adquiridos.

El curso cuenta con talleres de laboratorio en los cuales se hará despliegue de modelos de ML en sistemas embebidos como Raspberry Pi y celulares mediante el uso de la herramienta Edge Impulse.

Mastering Machine Learning se desarrollará de forma presencial en la Universidad de los Andes entre el 28 de junio y el 2 de julio de 2022. El curso se dictará en español y contará también con tres charlas de expertos en ML, las cuales podrán ser en inglés de forma remota.

Profesores

Elkin García

Ingeniero electrónico y de computación, Ph.D. de la Universidad de Delaware, Newark, DE. Elkin tiene experiencia en algoritmos, programación en paralelo, optimización de energía, modelaje y simulación, multi-threaded languages, aprendizaje de máquinas y reconocimiento de patrones.Actualmente se desempeña como Principal Firmware Systems Architect en Synaptics Inc., San Jose, CA.

Rafael Martínez

Investigador del Centro Harvard-Smithsonian de Astrofísica - Sistema de Datos del Centro de Rayos X del Observatorio Chandra de la NASA. Doctor en Astronomía de la Universidad de Leiden, Países Bajos. Sus investigaciones se enfocan en el estudio de ondas producidas por la formación de estrellas en galaxias, así como el uso de diferentes metodologías de machine learning para la exploración de grandes bases de datos astronómicas, específicamente con el objetivo de encontrar transientes astrofísicos tales como rayos-X binarios o cascada de disrupción de eventos. Antes de unirse al CXC, el fue un investigador postdoctoral en el centro de astrofísica y profesor en el Instituto de Ciencias de la Computación Aplicada de la Universidad de Harvard, donde dicto cursos relacionados con optimización estocástica y Machine Learning.

Juan Fernando Pérez

Profesional Distinguido en el Departamento de Ingeniería Industrial, Universidad de los Andes, Colombia. Juan obtuvo su grado de PhD en Ciencias de la Computación de la University of Antwerp, Bélgica, en 2010. Tiene un pregrado y maestría en Ingeniería Industrial de la Universidad de los Andes, Colombia, 2006. Juan fue Investigador postdoctoral en análisis de desempeño en Imperial College London, UK, Department of Computing, y en modelamiento estocástico en la University of Melbourne, Australia, School of Mathematics and Statistics. Juan lideró la creación de la Escuela de Ingeniería, Ciencia y Tecnología de la Universidad del Rosario, Colombia, y contribuyó a la creación del programa de Matemáticas Aplicadas y Ciencias de la Computación. Sus intereses se centran en el análisis de datos para la toma de decisiones, el análisis de desempeño de sistemas de computadores, especialmente en aplicaciones de software intensivas en datos empleadas para ejecutar trabajos de aprendizaje de máquina de gran escala, computación en clusters y en la nube.

Fredy Enrique Segura Quijano

PhD en Ingeniería Eléctrica de la Universidad Estatal de Ohio, Estados Unidos. Actualmente es profesor asociado del departamento de Ingeniería Eléctrica y Electrónica de la Universidad de los Andes. Sus líneas de investigación están orientadas a la aplicación de Machine Learning en problemas de ingeniería. Para más información ver https://sites.google.com/view/lfgiraldouniandes/homepage/

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.

Relacionados