Ir al contenido

Documat


Resumen de Proyectos de aprendizaje profundo usando datos regionales

Jónathan Heras Vicente Árbol académico

  • español

    Debido al impacto de las técnicas de aprendizaje profundo, tanto en entornos industriales como académicos, hay una gran demanda de graduados con habilidades en este campo de la inteligencia artificial. Es por esto que las universidades están comenzando a ofertar asignaturas que incluyen temas relacionados con el aprendizaje profundo. En estas asignaturas, las prácticas son fundamentales; sin embargo, la mayoría de dichas prácticas tienen dos inconvenientes. El primero es el uso de, o bien, “datos de juguete” que sirven para enseñar conceptos pero cuyas soluciones no generalizan a problemas reales; o bien, datos que requieren un conocimiento experto para comprender correctamente su contexto. En segundo lugar, la mayoría de prácticas de aprendizaje profundo se centran en la tarea de entrenar un modelo, y no tienen en cuenta otras tareas, como son la limpieza de los datos o el despliegue de los modelos. En este trabajo presentamos una experiencia en una asignatura de inteligencia artificial donde hemos abordado los problemas anteriores usando datos del gobierno de la comunidad autónoma donde se encuentra nuestra universidad. En concreto, los estudiantes han llevado a cabo diversos proyectos de visión por computador y procesado de lenguaje natural usando técnicas de aprendizaje profundo; por ejemplo, han creado un clasificador de noticias o una aplicación para colorear imágenes antiguas. Compartimos aquí el flujo de trabajo utilizado para organizar la experiencia, las lecciones aprendidas y los retos que pueden encontrarse al intentar llevar a cabo iniciativas similares.

  • English

    Due to the impact of Deep Learning both in industry and academia, there is a growing demand of graduates with skills in this field, and Universities are starting to offer courses that include Deep Learning subjects. Hands-on assignments that teach students how to tackle Deep Learning tasks are an instrumental part of those courses. However, most Deep Learning assign ments have two main drawbacks. First, they use either toy datasets that are useful to teach concepts but whose solutions do not generalise to real problems, or employ datasets that require specialised knowledge to fully understand the problem. Secondly, most Deep Learning assignments are focused on training a model, and do not take into account other stages of the Deep Learning pipeline, such as data cleaning or model deployment. In this work, we present an experience in an Artificial Intelligence course where we have tackled the aforementioned drawbacks by using datasets from the regional council where our University is located. Namely, the students of the course have developed several computer vision and natural language processing projects; for instance, a news classifier or an application to colourise historical images. We share the workflow followed to organise this experience, several lessons that we have learned, and challenges that can be faced by other instructors that try to conduct a similar initiative.


Fundación Dialnet

Mi Documat