Contents Menu Expand Light mode Dark mode Auto light/dark, in light mode Auto light/dark, in dark mode Skip to content
M72.1.09 Gestión y análisis de datos no estructurados
M72.1.09 Gestión y análisis de datos no estructurados

Introduccón

  • Sobre el curso
  • Programación para Deep Learning
    • Introducción a tensores
    • Frameworks para Deep Learning

Procesamiento de Lenguaje Natural

  • Introducción
    • Obtener texto
  • Preprocesamiento de texto
    • El vocabulario
    • Normalización de texto
    • Trabajando con secuencias largas
  • Vectorización de texto
    • Vectorizado con métodos clásicos
    • Vectorizado con vectores densos
      • Representaciones de Word2vec
    • Consideraciones
  • NLP clásico
    • Reducción de dimensionalidad
    • Modelado clásico de lenguaje natural
  • NLP neural
    • Modelos basados en secuencias
      • Redes Neurales Recurrentes en secuencias
        • Ejemplo: Modelo de encoder
        • Ejemplo: Modelo de encoder con embeddings Word2Vec
        • Ejemplo: Generators utilizando Keras
      • Redes Neurales Recurrentes Bidireccionales
      • Redes Neurales Recurrentes Produndas
    • Modelos de secuencias-a-secuencias
    • Modelos de lenguaje neurales
      • Modelos de lenguaje con Attention
      • Modelos de lenguaje con Transformers
        • BERT: Bidirectional Encoder Representations from Transformers
        • BERT en un problema de clasificación
        • BERT en un problema de clustering
        • LM como zero-shot learners
      • Grandes Modelos de Lenguaje
        • Few-shot learning
        • Modelos entrenados para chat
    • Modelos de industria
    • Interpretación de modelos
      • Explicaciones para NLP utilizando LIME
      • Explicaciones para NLP utilizando SHAP
      • Saliency maps para NLP utilizando AllenNLP
  • Estado del arte

Procesamiento de imágenes

  • Introducción
    • Principales tareas en el procesamiento de imágenes
    • Obtener conjuntos de datos de imágenes
    • Anotaciones
  • Procesamiento de imágenes
  • Modelos neurales
    • Aprendizaje por representaciones
    • Redes neuronales convolucionales
      • Arquitectura de redes basadas en CNN
      • Modelo de clasificación de imágenes
      • Modelo de clasificación de imágenes con Data Augmentation
      • Modelo de clasificación de imágenes con transferencia de aprendizaje
      • Modelo de clasificación de imágenes multiple con transferencia de aprendizaje
    • Transformers para vision
      • Modelo de clasificación de imágenes usando ViT
      • Modelos basados en knowledge distillation with no labels (DINO)
    • Diffusers
      • Explorando un modelo de diffusion
      • Stable Diffusion
    • Interpretación de modelos
      • Explicaciones visuales via GradCAM
      • Explicaciones visuales via LIME
  • Modelos multimodales
    • Vision-language transformers
      • CLIP
      • BLIP
  • Modelos neurales para video
    • Videos como secuencias
      • Modelo de clasificación de videos con redes recurrentes
    • Redes de convolución 3D
  • Estado del arte

Procesamiento de audio

  • Introducción
    • Principales tareas en procesamiento de audio
  • Modelos neurales
    • Modelos basados en espectogramas
      • YAMNet
    • Modelos basados en embeddings
      • Wav2Vec 2.0
    • Modelos de industria

Entendimiento de documentos

  • Introducción
    • Embeddings de oraciones y documentos
  • Modelos de procesamiento de documentos
    • OCR avanzado para documentos empresariales
  • Retrieval-Augmented Generation
    • RAG mínimo con embeddings
    • RAG con índice documental y un SLM
Back to top
View this page

Interpretación de modelos

Ejemplos

Ejemplos

  • Explicaciones visuales via GradCAM
  • Explicaciones visuales via LIME
Siguiente
Explicaciones visuales via GradCAM
Anterior
Stable Diffusion
Copyright © 2022, Universidad de Buenos Aires (FCE-UBA) - Profesores: Facundo Santiago, Javier Garcia Fronti
Made with Sphinx and @pradyunsg's Furo
On this page
  • Interpretación de modelos
    • Ejemplos