Curso

Procesamiento de Imágenes / Computer Vision

En este curso se enseñarán los fundamentos y técnicas avanzadas de Computer Vision, desde el procesamiento de imágenes y aprendizaje profundo hasta aplicaciones prácticas como diagnóstico digital y realidad aumentada. Computer Vision es una subcategoría de la IA con un impacto creciente en diversas industrias, permitiendo a los dispositivos informáticos interpretar datos visuales de manera eficiente. Aprender Computer Vision es fundamental para desarrolladores en campos como la robótica, los vehículos autónomos y la biometría. Algunas ventajas de dominar Computer Vision incluyen la posibilidad de crear soluciones innovadoras, impulsar la automatización y explorar tecnologías de vanguardia como la visión por computadora en tiempo real. Computer Vision ofrece precisión, escalabilidad y un futuro prometedor en la industria tecnológica.

Ver temario del curso Empezar curso

Flex

11 semanas

Experto

Acceso Exclusivo

Certificación de curso válida para tu CV

Contenido práctico desde el día uno

Clases en vivo personalizadas

App propia con todo tu aprendizaje organizado en un solo lugar

Clases asincrónicas siempre disponibles en nuestra app

Talleres mensuales con certificación para mantenerte actualizado

Comunidad activa de estudiantes y expertos

Temario

Estructura y formato de una Imagen. Filtros y Máscaras en OpenCV.

Capas Convoluciones y de Pooling. LeNet.

ImageNet, AlexNet y el Cambio de Paradigma en Computer Vision. VGG, NiN y GoogLeNet

Visualización de las Features Aprendidas. Fine Tuning. Transferencia de Estilos.

Bounding Boxes. Anchor Boxes. YOLO. SSD.

Segmentación semántica. Convoluciones Transpuestas. Fully Convolutional Networks

Entrenamiento Adversario (GANs), Autoencoders Variacionales (VAEs) y Modelos de Difusión (DDPMs)

Mecanismos de Atención. Transformers.

Aprendizaje Contrastivo entre Texto e Imágenes (CLIP)

Segmentacíon de Instancias mediante Prompts (SAM), Generación de Imágenes Condicionadas (Stable Difusion, DallE, MidJourney), Generación de Video Condicionada (SORA)

Examen - Computer Vision

Modalidad

Clases asincrónicasPara que avances a tu propio ritmo
Clases en vivo a demandaPara resolver consultas con horarios flexibles según tu disponibilidad horaria
Ejercicios, lecturas y autoevaluacionesEn cada clase
Campus virtualComo plataforma para tu aprendizaje.
Foro en DiscordAbierto 24/7
CertificaciónCon examen final

Prerrequisitos recomendados

Para aprovechar al máximo este curso, recomendamos haber completado previamente estos cursos que proporcionan las bases necesarias.

PRERREQUISITO

Introducción a la Programación con Python

Inicial

PRERREQUISITO

Análisis de Datos con Python

Inicial

PRERREQUISITO

Matemáticas para IA

Inicial

PRERREQUISITO

Fundamentos de Aprendizaje Automático / Machine Learning

Intermedio

PRERREQUISITO

Aprendizaje Automático / Machine Learning Avanzado

Avanzado

PRERREQUISITO

Aprendizaje Profundo / Deep Learning

Avanzado

Profesores de calidad

Nuestros docentes son referentes de la industria y expertos en diversas áreas, que están transformando el futuro. Con experiencia real y una visión innovadora, te acercan las últimas tendencias y conocimientos aplicados para que aprendas de quienes están marcando el camino.

Pablo Marinozi

Ingeniero en Sistemas, Doctorando en Ciencias Informáticas en la UNLP y Docente de Machine Learning, Computer Vision y Deep Learning en la UTN de Mendoza. Investigando sobre redes neuronales que procesen imágenes 3D para su aplicación en Viticultura de Precisión.

Tu aprendizaje, en orden y sin complicaciones

Organizá tu ruta, seguí tu progreso y enterate de los próximos eventos desde la app, en un solo lugar

LAB

Te invitamos a aprender haciendo en un espacio diseñado para el aprendizaje basado en proyectos, donde crearás iniciativas únicas para enriquecer tu portfolio. Acá, el conocimiento fluye en equipo, impulsando tu crecimiento personal y profesional con impacto en tu comunidad.

Proyectos destacados

Detección de TDAH mediante señales de fMRI utilizando modelos de clasificación de machine learning

Agustín Rodriguez, Ezequiel Sirne, Francisco Covelli

Proyecto llevado a cabo en el marco de la edición 2024 del Workshop internacional Brainhack School. El trabajo consistió en desarrollar modelos de clasificación de aprendizaje automático para detectar el TDAH a través del análisis de señales de rs-fMRI.

Asistente Virtual Tienda de computadoras

Agustina Seminara

En este proyecto se desarrolló un asistente virtual de una tienda de computadoras utilizando un Modelo Grande de Lenguaje (LLM) con el objetivo de que pueda responder las consultas de los usuarios, proporcionar y realizar recomendaciones personalizadas

Clasificador de productos según nomenclatura ALADI

Ignacio

Este proyecto consistió en entrenar un Modelo Grande de Lenguaje (LLM) para generar un chatbot que funcione como un asistente virtual para páginas web como por ejemplo el Servicio Nacional de Sanidad y Calidad Agroalimentaria (SENASA). La idea nace de la dificultad que algunos usuarios experimentan al intentar registrar sus productos con la nomenclatura correcta en los organismos correspondientes.

Construcción de un sistema de monitoreo ambiental utilizando Raspberry Pi

Sofia Havrylenko

En este proyecto se construyó un sistema de monitoreo ambiental con una Raspberry Pi Pico, utilizando un sensor DHT11 para medir temperatura y humedad, y una pantalla LCD I2C para mostrar estos datos en tiempo real. Además, se incorporaron LEDs para controlar la temperatura y humedad, y se realizan mediciones que se actualizan en la pantalla.

Mapa interactivo de ingredientes

Javier Federico Goldschmidt

Este proyecto es un mapa interactivo de ingredientes de , que tiene por objetivo facilitar la exploración de recetas y promover una alimentación variada y saludable. Haciendo web scraping, se recolectan datos de sitios de recetas, con los cuales se creó un grafo grafo donde los ingredientes se visualizan según su frecuencia de uso y sus combinaciones en distintas recetas. Al seleccionar ingredientes en el grafo, se muestran recetas relacionadas y sugerencias de ingredientes complementarios. Además, muestra valores nutricionales a cada ingrediente

Detector de malezas en monocultivos

Yamila Sasal, Miguel Balderrama

En este proyecto se busco crear un detector de malezas que permita al productor tomar decisiones que se ajusten a la realidad del cultivo, que permitan la detección de focos y minimicen las consecuencias negativas de las malezas. De esta forma se reduciría el número de aplicaciones de fitosanitarios (tales como insecticidas, bactericidas, fungicidas y plaguicidas), permitiendo monitorear lotes de forma remota y tomar de decisiones conociendo la distribución de malezas en su cultivo (cantidad y distribución espacial).

¿Qué dicen nuestros estudiantes?

“Me gustó mucho el curso de machine learning. Aprendí muchas cosas nuevas y les profesores son excelentes. El curso me pareció muy interesante y me motiva a seguir aprendiendo en el marco de la diplomatura de IA. Es un curso muy intenso y exige mucha dedicación, creo que es una buena opción para introducirse en el área de machine learning porque abarca muchos conceptos y modelos en los cuales uno puede seguir profundizando luego.“

-Julieta Santos

“Me pareció excelente el contenido, los temas, las formas, la capacidad de todos los profes para explicar cosas complejas de una forma amena y clara, la preocupación permanente pq no queden dudas, el respeto absoluto para cuando alguien tiene dudas o preguntas. Se nota el amplio conocimiento y expertise en la materia. Estoy muy contento y conforme con el curso (probablemente vuelva a hacerlo en alguna próxima oportunidad). Comentario no menor, me parece algo absolutamente disruptivo el costo del curso o de la suscripción mensual, muy asequible, para la calidad de contenido y de profesionales que uno recibe a cambio. Y una apreciación muuy subjetiva, es que se nota el amor y pasión que hay atrás de cada clase y curso.“

-Facudo Miglio

“Creo que ofrecen un curso de muy buena calidad. Soy profe e investigador, llevo un tiempo formándome en datos, y de las muchas experiencias que he tenido, definitivamente es la mejor en calidad y cantidad. Creo que sirve mucho la metodología de los videos grabados y después las clases sincrónicas para dudas y ejercicios. El material en Git tb es muy bueno, muy claro, todo explicado. Los profes son super ideoneos, generosos en su conocimiento y disponibilidad, se puede ver en las clases y el foro discord. Felicitaciones equipo, hacen un trabajo muy bueno! De lo que llevo los he recomendado 100 veces a los colegas e intersados.“

-Rodrigo Robert

“Realicé el curso de Machine Learning como alumno de Humai. Me pareció excelente, muy bien organizado el programa, los temas muy bien explicados y los profes unos genios. Anteriormente había realizado los cursos de Intro a Python, Automatización y Análisis de Datos como autodidacta, los materiales me resultaron excelentes. Agradezco mucho que hayan disponibilizado gratuitamente esos materiales.“

-Tomás Manzur

“¡Me encantan! con el material grabado para las clases asincrónicas, el soporte en Discord y los grupos de ayuda entre alumnxs; las clases en vivo toman otro color y se vuelven muy enriquecedoras, mindblowing a veces. Las plataformas donde se realizan los ejercicios son totalmente actuales y el nivel de interactividad en clases es algo a replicar, definitivamente.“

-Matias Esmay

“El curso es excelente, muy bien dado por personas que de verdad saben el tema. Tanto las clases sincrónicas como asincrónicas fueron excelentes y me sirvieron para aprender muchas cosas que no conocía. Aprender más sobre la potencialidad de pandas es buenísimo, y ver las distintas herramientas gráficas que hay y sus capacidades también.“

-Lucas Tarcetti