Aprendizaje automático con datos escasos

  • Jorge Sánchez – FaMaF / CONICET, Universidad Nacional de Córdoba, Argentina.
  • Track de inteligencia Artificial

Nota: El curso será dictado en Español pero el material de lectura y slides pueden estar en Inglés

Resumen

En este curso se abordará el problema de aprendizaje supervisado en casos en donde el número de ejemplos de entrenamiento disponibles es bajo o nulo. Se presentarán técnicas de transferencia de aprendizaje, aprendizaje sin ejemplos (zero-shot), con pocos ejemplos (few-shot learning) y su incorporación en estrategias incrementales de aprendizaje activo. Mediante estas técnicas, se abordarán distintos problemas del área de visión por computadoras, tales como clasificación, detección, segmentación y ranking.

Temario

• Intro al aprendizaje supervisado: · transferencia del aprendizaje · escalabilidad y adaptación de modelos · granularidad
• Aprendizaje con pocos ejemplos: · modelos basados en k-NN: NCM y redes prototípicas · modelos semi-supervisados · meta-learning
• Aprendizaje sin ejemplos (ZSL): · Modelos basados en información subsidiaria · Formas bilineales. Estructura y regularización · ZSL generalizado
• Implicancias en el aprendizaje activo
• Aplicaciones en visión por computadoras · clasificación de imágenes · detección de objetos · segmentación de clases e instancias · ranking y problemas multimodales.

Prerrequisitos

Álgebra lineal. Probabilidad y estadística. Nociones de procesamiento de imágenes. Nociones de aprendizaje automático.

Bibliografía

• Xian, Y., Lampert, C. H., Schiele, B., & Akata, Z. (2018). Zero-shot learning-a comprehensive evaluation of the good, the bad and the ugly. IEEE TPAMI.
• Wang, Y., Yao, Q., Kwok, J.T., & Ni, L.M. (2019). Generalizing from a Few Examples: A Survey on Few-Shot Learning.
• Wang, W., Zheng, V. W., Yu, H., & Miao, C. (2019). A survey of zero-shot learning: Settings, methods, and applications. ACM TIST.

inscribirse
Ver todos los cursos