Curso Propuesto de Inteligencia Artificial para la Evaluación de Datos Ambientales con Python, Tensorflow y Keras

La inteligencia artificial refiere a mecanismos en los cuales los datos pueden ser representados y analizados, donde el aprendizaje puede o no ser supervisado, ejemplos de esto se pueden observar en la vida diaria como lo es con el reconocimiento facial de Facebook. 
En el área ambiental, la calidad de resultados depende del análisis de datos que muchas veces son abundantes y no uniformes, estos análisis se pueden hacer mediante redes neurales las cuales toman data de entrada y dan resultados, estos resultados pueden ser manipulados por el usuario en base a los pesos otorgados a esta información, por ello la manipulación de redes neurales para el análisis de datos ambientales es una gran herramienta debido a los inmensos historiales de datos manejados en análisis ambientales y también la falta de datos debido a lo costosos que llegan a ser. 
 

Objetivos:

El curso abarca de 6 sesiones en las cuales se plantea lo siguiente:

• Reconocer la estructura y principios básicos de Redes Neurales para la posterior aplicación.
• Conocer las funciones básicas en Python para la posterior implementación en Keras.
• Manipular adecuadamente Redes Neurales y su aplicación con Keras.
• Establecer Redes Neurales para el análisis de datos Ambientales.

Sesion 1: Introducción a Python

• Instalación de Anaconda como IDE de Python.
• Familiarizarse con las diferentes funcionalidades de Python
• Instalación de librerías adicionales.
• Diferenciar listas, tuplas y diccionarios en Python
• Manipulación de Numpy y Pandas para la manipulación de datos.

Sesión 2: Introducción a Redes neurales

• Diferencias TensorFlow, Theano y Keras
• Funciones básicas de Keras
• Comparación de modelos de redes neurales con regresiones
• Funciones de activación
• Composiciones Secuenciales y Funcionales

Sesión 3: Ejercicios básicos con Keras

• Realización de ejercicios básicos
• Mejoramiento de Redes con Keras
• Ejercicio de Clasificación multiclase de especies florales

Sesión 4: Configuraciones Intermedias

• Guardar redes neurales creadas
• Guardar los mejores modelos con puntos de control
• Ploteos para comprender el comportamiento del modelo.
• Regulación de sobreajustes en redes neurales

Sesión 5: Ejercicios prácticos

• Completación de datos de precipitación con Python
• Análisis de química del agua con KERAS

Sesión 6: Aplicación de redes Neurales convolucionales

• Ejercicio de Reconocimiento de dígitos escritos a mano
• DeepDreaming con Keras para la modificación de imágenes
• Mejora de rendimiento con Aumentación de Imágenes
• Análisis de Imágenes Satelitales con Keras.