RIIAA Summer school

RIIAA Escuela de Verano

Online conference: Aug 25-26, 2021

Conferencia en línea: Ago 25-26, 2021

Conoce a los talleristas de RIIAA 4.0

Meet the RIIA 4.0 workshop leaders

Campos de conocimientos que abarcarán los talleres:

Fields of knowledge that the workshops will cover:

  • Optimización
  • Visión Computacional
  • Teoría Estadística
  • Aprendizaje Reforzado
  • Aplicaciones Aprendizaje Automático e Inteligencia Artificial
  • Procesamiento de lenguaje natural
  • Habilidades blandas
  • Optimization
  • Computer Vision
  • Statical Theory
  • Reinforcement Learning
  • Machine Learning and Artificial Intelligence Applications
  • Natural Lenguage Processing
  • Soft skills

Talleres

Workshops

25 de Agosto

August 25

9:00 A.M. - 11:00 A.M.

Inducción de árboles de decisión y su relación con la clasificación basada en patrones de contraste
Decision tree induction and its relation with contrast pattern-based classification
ML and AI Application

Proporcionamos los fundamentos de inducción de árboles de decisiones y cómo se relaciona con la clasificación basada en patrones de contraste. En particular, presentaremos PBC4cip, un clasificador basado en patrones de contraste con un desempeño altamente competitivo, pero que puede proporcionar explicaciones detrás de cualquier decisión de clasificación y que ha demostrado comportarse adecuadamente en el contexto de problemas de desequilibrio de clases.

We provide foundations of decision tree induction and how it relates to contrast pattern-based classification. In particular, we will introduce PBC4cip, a contrast pattern-based classifier with highly competitive performance, but that can provide explanations behind any classification decision and that has shown to behave adequately in the context of class imbalance problems.


Dr. Miguel Medina, Dr. Raúl Monroy, Dr. Leonardo Cañete
Inscribirme Register

9:00 A.M. - 11:00 A.M.

Machine Braining: herramientas de aprendizaje automático para comprender la función cerebral
Machine Braining: Machine Learning tools for understanding brain function
ML and AI Application

El Dr. Pablo Varona proporcionará una descripción general introductoria sobre cómo las redes neuronales artificiales, el aprendizaje automático y los paradigmas de inteligencia artificial relacionados se aplican en neurociencia, sentando las bases para la siguiente discusión. El Dr. Caleb Kemere, el Dr. Vitor Lopes-dos-Santos y Andrea Navas-Olive luego presentarán cómo la aplicación de diferentes técnicas les ayudó a aprovechar al máximo los datos y extraer información adicional que otros métodos no pueden proporcionar.

Dr. Pablo Varona will provide a general introductory overview about how Artificial Neural Networks, Machine Learning & related AI paradigms are applied in Neuroscience, setting the basis for the following discussion. Dr. Caleb Kemere, Dr. Vitor Lopes-dos-Santos and Andrea Navas-Olive will then present how application of different techniques helped them to get the most of the data and to extract additional information that other methods cannot provide.


Andrea Navas-Olive, Pablo Varona, Caleb Kemere, Vitor Lopes-dos-Santos
Inscribirme Register

9:00 A.M. - 11:00 A.M.

Introducción a los métodos de optimizacion en Aprendizaje Automático
Introduction to optimization methods in Machine Learning
Optimization

Durante este taller revisaremos los algoritmos y conceptos de optimizacion mas comunes usados para entrenar modelos en Machine Learning (e.g. Gradient descent, Momentum, Adam). Trataremos de implementar algunos de estos metodos en Python.

During this workshop we will review the most common optimization algorithms and concepts used to train models in Machine Learning (e.g. Gradient descent, Momentum, Adam). We will try to implement some of these methods in Python.


Antonio Chanona, Edgar Sanchez.
Inscribirme Register

9:00 A.M. - 11:00 A.M.

Introducción a Modelos Ocultos de Markov
Introduction to Hidden Markov Models
Statical Theory

Los modelos Ocultos de Markov son modelos estocásticos de series de tiempo que asumen que el sistema de estudio está gobernado por dos procesos paralelos: un proceso latente y un proceso observacional. Se asume que el proceso latente satisface la propiedad Markoviana, y que la distribución para cada tiempo del proceso observacional depende únicamente del estado latente actual. Los modelos Ocultos de Markov, han sido ampliamente utilizados para el análisis de reconocimiento de voz, la clasificación de secuencia de proteínas y la identificación de comportamiento animal, entre otros.

Hidden Markov models are stochastic time series models that assume that the study system is governed by two parallel processes: a latent process and an observational process. It is assumed that the latent process satisfies the Markovian property, and that the distribution for each time of the observational process depends only on the current latent state. Hidden Markov models have been widely used for speech recognition analysis, protein sequence classification and identification of animal behavior, among others.


Dr. Vianey Leos Barajas, Sofia Ruiz Suarez
Inscribirme Register

12:00 P.M. - 02:00 P.M.

Algoritmos para la multiplicación de enteros
Algorithms for Integer Multiplication
Optimization

Un taller práctico donde se enseñen los detalles de los algoritmos relacionados con la multiplicación de los enteros. Recientemente se demostró que existe un algoritmo en tiempo log(n)n, desafortunadamente aún no está implementado. Los algoritmos relacionados sí, el taller buscaría explicar los detalles de los algoritmos relacionados y hablar sobre las ideas más importantes del nuevo así como implementar en Python alguna de las versiones más sencillas (desde cero).

A practical workshop where the details of the algorithms related to the multiplication of integers are taught. It was recently shown that there is an algorithm in log(n)n time, unfortunately it is not yet implemented. The related algorithms are implemented, the workshop would seek to explain the details of the related algorithms and talk about the most important ideas of the new one as well as implement in Python some of the simplest versions (from scratch).


Alfonso Ruiz, Victor Ramos
Inscribirme Register

12:00 P.M. - 02:00 P.M.

Grafos de redes neuronales
Neural network graphs
ML and AI Application

Las redes neuronales normalmente funcionan con datos "rectangulares" (tensores), como las adaptamos para funcionar datos irregulares como grafos (redes)? En este curso veremos las componentes básicos para armar un Graph Neural Network (GNN) en JAX con (Jraph).

Neural networks normally work with "rectangular" data (tensors), how do we adapt them to function with irregular data such as graphs (networks)? In this course we will see the basic components to build a Graph Neural Network (GNN) in JAX with (Jraph).


Benjamin Sanchez-Lengeling.

12:00 P.M. - 02:00 P.M.

Optimización en Aprendizaje Automático
Optimization in Machine Learning
Optimization

En este taller profundaremos un poco en los algoritmos de optimizacion usados para entrenar modelos de Machine Learning (e.g. RMSProp, AdaGrad, AdaDelta y Newton's method) y trataremos de implementarlos en Python. Es la segunda parte de nuestro taller "Introduccion a los metodos de optimizacion en Machine Learning.

In this workshop we will delve a little into the optimization algorithms used to train Machine Learning models (e.g. RMSProp, AdaGrad, AdaDelta and Newton's method) and we will try to implement them in Python. It is the second part of our workshop "Introduction to optimization methods in Machine Learning.


Antonio del Rio Chanona, Edgar Ivan Sanchez Medina
Inscribirme Register

12:00 P.M. - 02:00 P.M.

Detección de anomalías en series de tiempo con Aprendizaje Profundo
Time Series Anomaly Detection with Deep Learning
ML and AI Applications

Generación de modelos con redes neuronales profundas para detectar anomalías en series de tiempo, utilizando Python, Keras y tensorflow. Ejemplos de aplicación son la detección de fallas en máquinas o en mediciones de consumo eléctrico de hogares.

Generation of models with deep neural networks to detect anomalies in time series, using Python, Keras and tensorflow. Examples of application are the detection of faults in machines or in household electrical consumption measurements.


Joel Garcia Velasco
Inscribirme Register

03:00 P.M. - 05:00 P.M.

Principios matemáticos del aprendizaje automático
Mathematical Principles of Machine Learning
ML and AI Applications

En este tutorial, revisamos los principios matemáticos de la estadística, la optimización y el álgebra lineal que forman la base de las herramientas modernas de aprendizaje automático. Específicamente, discutimos conceptos de estimación, optimización numérica, análisis de matriz, métodos de kernel y operaciones de convolución y destacamos cómo la combinación de estos se usa para realizar tareas de aprendizaje automático (por ejemplo, visión por computadora, clasificación, regresión, reducción de datos, aprendizaje por refuerzo) . Al centrarnos en los principios básicos, nuestro objetivo es ayudar a los participantes a comprender el funcionamiento interno de las herramientas modernas y facilitar el desarrollo de otras nuevas.

In this tutorial, we review mathematical principles from statistics, optimization, and linear algebra that form the basis of modern machine learning tools. Specifically, we discuss concepts from estimation, numerical optimization, matrix analysis, kernel methods, and convolution operations and highlight how the combination of these are used to conduct machine learning tasks (e.g., computer vision, classification, regression, data reduction, reinforcement learning). By focusing on the basic principles, we aim to help participants understand the inner working of modern tools and to facilitate the development of new ones.


Víctor Zavala

03:00 P.M. - 05:00 P.M.

03:00 P.M. - 05:00 P.M.

Introducción a las redes, su predicción usando redes neuronales.
Introduction to networks, their prediction using neural networks.
ML and AI Application

En el taller se presentan los conceptos básicos de grafos y redes, se abordan algunas de las redes aleatorias más comunes y algunas de sus características-resultados, y se desarrolla la introducción a dos dinámicas en redes: percolación y transmisión de información-enfermedades. El taller se complementa con código para tratar, construir, visualizar y analizar redes. Finalmente se aborda la tarea de predicción de la dinámica en redes usando redes neuronales.

En el taller se presentan los conceptos básicos de grafos y redes, se abordan algunas de las redes aleatorias más comunes y algunas de sus características-resultados, y se desarrolla la introducción a dos dinámicas en redes: percolación y transmisión de información-enfermedades. El taller se complementa con código para tratar, construir, visualizar y analizar redes. Finalmente se aborda la tarea de predicción de la dinámica en redes usando redes neuronales.


Lilia Leticia Ramirez
Inscribirme Register

06:00 P.M. - 08:00 P.M.

De idea a articulo científico: Practicas para publicar en un campo científico.
From idea to scientific article: Practices to publish in a scientific field.
Soft Skills

Descripcion por definir.

Description to be defined.


Benjamin Sanchez-Lengeling.
Inscribirme Register

06:00 P.M. - 08:00 P.M.

Química en Grafos de Redes neuronales.
Chemistry in Neural Network Graphs.
ML and AI Application

En este taller te brindaremos una introducción a la quimio informática usando la librería de Python rdkit. Te mostraremos distintas formas de encodificar información química y usarla como input para modelos de machine learning. Ademas, discutiremos los principios y la implementación de Graph Neural Networks en Python para construir un modelo capaz de generar nuevas moléculas a partir de un dataset input.

In this workshop we will give you an introduction to chemo informatics using the Python rdkit library. We will show you different ways to encode chemical information and use it as input for machine learning models. In addition, we will discuss the principles and implementation of Graph Neural Networks in Python to build a model capable of generating new molecules from an input dataset.


Miguel Magaña, Joana Avelar.
Inscribirme Register

26 de Agosto

August 26

09:00 A.M. - 11:00 A.M.

AI + HPC
AI + HPC
ML and AI Application

En este taller vamos a explorar el uso de HPC para aplicaciones de ML. Haremos una revisión del estado del arte de las principales aplicaciones de IA que únicamente son posibles en infraestructuras de HPC. Daremos unos ejemplos de las estrategias para hacer entrenamientos en estas estructuras.

In this workshop we are going to explore the use of HPC for ML applications. We will review the state of the art of the main AI applications that are only possible in HPC infrastructures. We will give some examples of the strategies to train in these structures.


Ulises Moya, Abraham Sánchez
Inscribirme Register

09:00 A.M. - 11:00 A.M.

Procesos Gaussianos y Optimización Bayesiana
Gaussian Processes and Bayesian Optimization
Statistical theory

Revisaremos la teoria detras de los procesos Gaussianos y como usarlos en un esquema de optimizacion Bayesiana.

We will review the theory behind Gaussian processes and how to use them in a Bayesian optimization scheme.


Antonio Chanona, Edgar Sanchez.
Ejercicios: Rafael Cárdenas Enriquez.
Inscribirme Register

09:00 A.M. - 11:00 A.M.

UX en el mundo de la IA
UX in the world of AI
ML and AI Application

¿Quieres saber cómo desarrollar interfaces inteligentes centradas en el ser humano? ¿Sabes cómo evitar los errores comunes en el diseño de inteligencia artificial? En este curso aprenderás a evaluar si un problema de UX se resuelve con un diseño de inteligencia artificial; también sabrás el tipo de datos que debes recopilar para tener modelos de inteligencia artificial representativos; y, además conocerás los sistemas de inteligencia artificial que son más eficaces en la interacción con los usuarios. El curso te enseñará cómo diseñar y crear mejores experiencias de usuario para los sistemas que involucran inteligencia artificial, a través de recomendaciones y ejemplos.

Do you want to know how to develop intelligent human-centered interfaces? Do you know how to avoid common mistakes in artificial intelligence design? In this course you will learn to evaluate if a UX problem is solved with an artificial intelligence design; You will also know the type of data that you must collect to have representative artificial intelligence models; and, in addition, you will know the artificial intelligence systems that are most effective in interacting with users. The course will teach you how to design and create better user experiences for systems that involve artificial intelligence, through recommendations and examples.


Saiph Savage.
Inscribirme Register

12:00 P.M. - 02:00 P.M.

Privacidad Diferencial
Differential Privacy
Statistical theory

Un taller sobre las definiciones matemáticas y las aplicaciones de la privacidad diferencial desde el punto de vista teórico e industrial.

A workshop on mathematical definitions and applications of differential privacy from a theoretical and industrial point of view.


Alfonso Ruiz, Ernesto Lupercio
Inscribirme Register

12:00 P.M. - 02:00 P.M.

Aplicaciones de procesamiento de lenguaje a motores de búsqueda con ElasticSearch y Milvus.
Language processing applications in search engines with ElasticSearch and Milvus.
Natural Language Processing

Profundizaremos en los aspectos teóricos y prácticos de implementar técnicas de vectorizacion de texto en Deep Learning en motores de búsqueda como Elastic Search y Milvus. Revisaremos los desafíos, ventajas y desventajas respecto del paradigma de search tradicional.

We will delve into the theoretical and practical aspects of implementing text vectorization techniques in Deep Learning in search engines such as Elastic Search and Milvus. We will review the challenges, advantages and disadvantages with respect to the traditional search paradigm.


Francisco Camacho.
Inscribirme Register

12:00 P.M. - 02:00 P.M.

Aprendizaje automático sobre datos cifrados mediante cifrado homomórfico.
Machine learning on encrypted data using homomorphic encryption.
ML and AI Application

La privacidad en los servicios en la nube que ofrecen soluciones de aprendizaje automático ha adquirido una importancia fundamental dada la extrema necesidad de investigación médica a gran escala y la pandemia mundial. En este taller (que se impartirá en español con material en inglés), mostraremos un pequeño caso de estudio de aprendizaje automático sobre datos cifrados utilizando la biblioteca de cifrado homomórfico PALISADE. El caso de estudio presenta una aplicación (filtrado colaborativo) que utiliza datos de facturación electrónica mexicanos. Con la introducción de eFirma, México es líder mundial en el despliegue de firmas digitales en todo el país. Este taller es una colaboración entre una empresa canadiense y una empresa de software mexicana con sede en Yucatán con diez años de experiencia en facturación digital. Incluirá un pequeño repaso sobre la facturación electrónica mexicana para estudiantes de fuera del país.

Privacy in cloud services offering machine learning solutions has become critical given the dire need for large-scale medical research and the global pandemic. In this workshop (to be taught in Spanish with material in English), we will show a small machine learning case study on encrypted data using the PALISADE homomorphic encryption library. The case study presents an application (collaborative filtering) that uses Mexican electronic invoicing data. With the introduction of eFirma, Mexico is a world leader in the deployment of digital signatures throughout the country. This workshop is a collaboration between a Canadian company and a Mexican software company based in Yucatán with ten years of experience in digital invoicing. It will include a brief review on Mexican electronic invoicing for students from outside the country.


Pablo Duboue, Maximiliano Chacon.
Inscribirme Register

12:00 P.M. - 02:00 P.M.

Transformadores
Transformers
Natural Languace Processing

Taller teórico-practico de Transformadores, adoptado en la industria e investigación de Procesamiento de Lenguaje Natural.

Theoretical-practical workshop of Transformers, adopted in the Natural Language Processing industry and research.


Omar Sanseviero
Inscribirme Register

03:00 P.M. - 05:00 P.M.

Inteligencia Artificial para principiantes
Artificial Intelligence for Beginners
In progress


Benjamin Sanchez-Lengeling
Inscribirme Register

03:00 P.M. - 05:00 P.M.

Haciendo ciencia de datos utilizando datos de censos nacionales abiertos del INEGI
Doing data science using data from INEGI's open national censuses
ML and AI Application

En esta actividad, guiaremos a nuestros asistentes a través del ciclo de vida del desarrollo de la ciencia de datos para responder una pregunta de investigación utilizando datos del censo nacional abierto del Instituto Nacional de Estadística y Geografía (INEGI). La pregunta de investigación a ser respondida en esta actividad será seleccionada de antemano por nosotros y el código requerido para cada etapa del ciclo de desarrollo de la ciencia de datos será implementado completamente de antemano por nosotros también. Proporcionaremos a los asistentes un cuaderno de Google Colab con notas y una implementación parcial del código requerido para cada una de las etapas que podrán completar mientras recorremos la actividad.

In this activity, we will guide our attendees through the data science development life cycle to answer a research question using data from the open national census of the National Institute of Statistics and Geography (INEGI). The research question to be answered in this activity will be selected in advance by us and the code required for each stage of the data science development cycle will be fully implemented in advance by us as well. We will provide attendees with a Google Colab notebook with notes and a partial implementation of the code required for each of the stages that they will be able to complete as we walk through the activity.


Luis Canales, Luz Blaz, Sarahí González.
Inscribirme Register

03:00 P.M. - 05:00 P.M.

Relaciones de equivalencia y métricas de estados para procesos de decisión Markovianos, y sus aplicaciones en aprendizaje por refuerzo.
Equivalence relations and state metrics for Markovian decision processes, and their applications in reinforcement learning.
Reinforcement Learning

Este taller presenta la teoría de relaciones de equivalencia y métricas de estado para procesos de decisión Markovianos (MDPs). Esta teoría ha estado en desarrollo por más de dos décadas, y en años recientes ha empezado a resurgir como una técnica teórica y empírica para el aprendizaje por refuerzo. La mayoría del taller será con enfoque matemático, pero utilizaremos colaboratory notebooks hacia el final para poder tener un mejor entendimiento de las diferentes teorías y sus aplicaciones al aprendizaje por refuerzo.

This workshop presents the theory of equivalence relations and state metrics for Markovian decision processes (MDPs). This theory has been in development for more than two decades, and in recent years it has begun to resurface as a theoretical and empirical technique for reinforcement learning. Most of the workshop will be with a mathematical focus, but we will use collaboratory notebooks towards the end in order to have a better understanding of the different theories and their applications to reinforcement learning.


Pablo Castro
Inscribirme Register

06:00 P.M. - 08:00 P.M.

Introducción a la Inteligencia Artificial en la Quimica.
Introduction to Artificial Intelligence in Chemistry.
ML and AI Application

En este taller se explicará el uso de la inteligencia artificial con aplicaciones en química. Te daremos una introducción a la quimio informática usando la librearía rdkit de Python y te mostraremos distintas formas de representar la información molecular. Luego pasaremos a la exploración, detección de anomalías, extracción de atributos clave y predicción de propiedades físico-químicas usando datasets moleculares. Así mismo, demostraremos cómo implementar y comparar distintos modelos de machine learning. Por último, te enseñaremos cómo llevar a cabo una optimización de los hiperparámetros de los modelos con un enfoque bayesiano.

In this workshop the use of artificial intelligence with applications in chemistry will be explained. We will give you an introduction to chemo informatics using Python's rdkit library and we will show you different ways to represent molecular information. Then we will move on to exploration, anomaly detection, extraction of key attributes and prediction of physico-chemical properties using molecular datasets. Likewise, we will demonstrate how to implement and compare different machine learning models. Finally, we will teach you how to carry out an optimization of the hyperparameters of the models with a Bayesian approach.


Miguel Magaña, Liliana Argüello.
Inscribirme Register

06:00 P.M. - 08:00 P.M.

Generando Arte Artificial con GAN's
Generating Artificial Art with GAN's
Computer Vision

Las redes generativas adversarias (GANs) son una técnica relativamente nueva la cuál tiene como finalidad generar nuevos datos a raíz de sus datos de entrada generalmente imágenes; una utilidad reciente y en tendencia ha sido el llamado arte artificial. ¿Cómo sería una nueva obra de Monet? o ¿Cuál sería el resultado sí combináramos el estilo de arte de Monet y Frida Kahlo? con un aproximado podemos responder a estas preguntas mediante las GAN alimentando con obras de Monet y/o Frida Kahlo y dando salida a imágenes nuevas a raíz de las iniciales En este taller se entrenará una red neuronal generativa adversaria (GAN) con obras de arte, dichas obras alimentarán a la red neural y se generará una resultante del generador de la GAN el cuál dependiendo de su calidad podrá ser considerada una obra de arte artificial. Se dará una introducción teórica del funcionamiento y teorización del concepto de GAN para posteriormente dar lugar a la práctica de generación de obras artísticas artificiales

Adversary generative networks (GANs) are a relatively new technique which aims to generate new data based on their input data, generally images; a recent and trending utility has been the so-called artificial art. What would a new Monet work look like? o What would the result be if we combined the art style of Monet and Frida Kahlo? with an approximate we can answer these questions through the GAN feeding with works by Monet and / or Frida Kahlo and giving output to new images as a result of the initials In this workshop an adversary generative neural network (GAN) will be trained with works of art, these works will feed the neural network and a resultant of the GAN generator will be generated which, depending on its quality, can be considered an artificial work of art. A theoretical introduction of the operation and theorization of the concept of GAN will be given to later give rise to the practice of generating artificial artistic works


David Maqueda, María Quijano, Ivan Meza.
Inscribirme Register

06:00 P.M. - 08:00 P.M.

Clasificación de minerales mediante aprendizaje profundo
Classification of minerals using deep learning
Computer Vision

La actividad que proponemos es mostrar a los participantes cómo crear un clasificador de minerales de varias clases utilizando Deep Learning. Para ello, seguiremos dos caminos diferentes: primero, construiremos y entrenaremos una red neuronal profunda desde cero, y luego usaremos el aprendizaje por transferencia para crear otra red neuronal. Con el primero queremos mostrar los principales componentes y pasos necesarios para crear un clasificador de redes neuronales, mientras que el segundo está destinado a mostrar a los participantes soluciones de vanguardia aplicadas en la industria. El marco de Deep Learning utilizado es Keras. Esta actividad tardará dos horas en completarse en Google Colaboratory.

Our proposed activity is to show participants how to create a multi-class mineral classifier using Deep Learning. To do this, we will follow two different paths: first, we will build and train a deep neural network from scratch, and then we will use transfer learning to create another neural network. With the first we want to show the main components and steps required to create a neural network classifier, while the second is intended to show participants cutting-edge solutions applied in the industry. The Deep Learning framework used is Keras. This activity will take two hours to complete on Google Colaboratory.


Evelyn Salazar, Karen Cruz, Oscar Márquez, Luis Sánchez.
Inscribirme Register

06:00 P.M. - 08:00 P.M.

Generación de datos de entrenamiento para aplicaciones de visión artificial.
Generation of training data for artificial vision applications.
Computer Vision

Como crear los datos necesarios para entrenar un modelo de Visión Computacional. Hablaremos sobre los diferentes tipos de anotación de datos de entrenamiento, herramientas para realizar este proceso y como resolver el problema de "small data" usando datos sintéticos para mejorar nuestros datasets y entrenar diferentes modelos, de detección , localización y segmentación de instancias.

How to create the necessary data to train a Computer Vision model. We will talk about the different types of training data annotation, tools to carry out this process and how to solve the problem of "small data" using synthetic data to improve our datasets and train different models, detection, location and segmentation of instances.


Paula Villamarin.
Inscribirme Register

Definir horario GTM-5

Define GMT-5 time

Introducción a aprendizaje profundo por reforzamiento para Sistemas Continuos
Introduction to Deep Reinforcement Learning for Continuous Systems
Reinforcement learning

En este taller se explicará teoría básica y se conocerán herramientas para aplicar Deep Reinforcement Learning a sistemas continuos. Se utilizará software estandarizado para diseñar un ambiente, y recompensas, con el que un agente pueda entrenar. El taller está orientado a desarrollar controladores basados en redes neuronales para vehículos autónomos no tripulados.

In this workshop, basic theory will be explained and tools to apply Deep Reinforcement Learning to continuous systems will be learned. Standardized software will be used to design an environment, and rewards, with which an agent can train. The workshop is aimed at developing neural network-based controllers for autonomous unmanned vehicles.


Alejandro Gonzalez-Garcia
Inscribirme Register

Definir horario GTM-5

Define GMT-5 time

Predicción de demanda a través de algoritmos de Aprendizaje Automático en Python.
Demand prediction through Machine Learning algorithms in Python.
ML and AI Application

Será un taller practico sobre el uso de algoritmos de machine learning para predecir eventos en el tiempo en python, se revisará la metodología de abordaje y el uso de 3 algoritmos para hacer la predicción y como entrenar y validar los modelos.

It will be a practical workshop on the use of machine learning algorithms to predict events over time in python, the approach methodology and the use of 3 algorithms to make the prediction and how to train and validate the models will be reviewed.


Natalia Raffo.
Inscribirme Register

Definir horario GTM-5

Better Models made easy with Automated Machine Learning (AutoML)
ML and AI Application

Falta definir abstract


Adrián J. Fernández Zenteno
Inscribirme