• Propiciar un lugar de trabajo de aprendizaje y formación en procesamiento de imágenes, aprendizaje automático y uso de Python.
• Favorecer el intercambio de conocimientos.
• Guiar la participación activa de todos los asistentes en la resolución de ejercicios en la clase para el debate constructivo, aprendizaje y el enriquecimiento grupal.
• Afianzar conceptos asociados al procesamiento de imágenes y aprendizaje automático.

El desarrollo de las clases buscará ser un lugar de trabajo de aprendizaje y formación comunitario de asistentes. Será una mezcla entre curso estándar y seminarios prácticos de aplicaciones. Tanto las clases tradicionales como las de tipo seminario se apoyarán en explicaciones conceptuales teórico-prácticas y en el desarrollo de ejercicios prácticos propuestos por los docentes y/o los asistentes. Es esencial y el objetivo del curso la participación activa de todos los asistentes en la resolución de ejercicios en la clase para el debate constructivo, aprendizaje y el enriquecimiento grupal. La realización de ejercicios específicos en computadora es uno de los pilares fundamentales del curso debido a su impacto positivo en el afianzamiento de los conceptos desarrollados. Trabajarán en grupos con cantidad a definir según la cantidad de inscriptos.

Se requieren conocimientos de álgebra lineal y nociones de estadística. Se pretende la participación activa de los asistentes en el estudio y aplicación de las herramientas de procesamiento por lo que el conocimiento en fundamentos de programación o práctica en uso de software o lenguaje de programación tales como Matlab, Octave, Python, R, etc. es deseable pero no excluyente. Se trabajará en Google Colab pero también se puede trabajar en Jupyter Notebook, para esto último se requiere el paquete Anaconda instalado.

Bibliografía y material didáctico que se proveerá a los asistentes:

Diapositivas y Guías de ejercicios prácticos en formato digital.

Bibliografía General:

1. Digital Image Processing – Rafael González y Richard Woods – Ed. Prentice Hall, 3th Ed., 2007.
2. Visión por Computador: imágenes digitales y aplicaciones – Gonzalo Pajares Martinsanz y Jesús M. de la Cruz García – Ed. Rama, 2a Ed., 2008.
3. Machine Learning, Tom M. Mitchel, McGraw Hill, 1997.
4. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.

Bibliografía Complementaria:

1. Digital Image Processing using MatLab – Rafael González, Richard Woods, Steven Eddins – Gatesmark Publishing, 2nd Ed., 2009.
2. Digital Image Processing – William K. Pratt – Ed. John Wiley, 3th Ed., 2001.
3. Computer Vision: Algorithms and Application- Richard Szeliski – Ed. Springer – 1st Ed., 2010.
4. Nielsen, M. A. (2015). Neural networks and deep learning (Vol. 25). San Francisco, CA, USA:: Determination press.
5. Raschka, S. (2015). Python machine learning. Packt Publishing Ltd.
6. Redes Neuronales, Keras y Tensorflow (4 hs.)
7. Redes Neuronales Convolucionales (4 hs.)