En este taller, se presentó un resumen del área de Computación de Alto Rendimiento, destacando su importancia y mostrando ejemplos de problemas actuales que resuelve. También, se analizó la arquitectura de una GPU destacando los distintos niveles de procesadores y de memorias que posee, así como la unidad mínima de ejecución en una GPU y el cómo se organizan los hilos para ser ejecutados. Luego, se estudiaron distintos ejemplos de programas en GPU (utilizando una tarjeta gráfica de NVIDIA con CUDA en lenguaje C). Estos ejemplos variaron en su dificultad a lo largo del taller.

Extreme Learning Machine (ELM) es un nuevo paradigma de entrenamiento de Redes Neuronales Feedforward tales como el Multilayer Perceptron. El entrenamiento de las Redes Neuronales se puede entender como un problema de optimización que busca el mejor conjunto de pesos que minimiza una función de distancia entre la salida de la red y la salida deseada. Por el contrario, ELM es una forma de entrenamiento que consiste en asignar aleatoriamente los pesos de la o las capas ocultas, y calcular mediante un algoritmo de optimización simple los pesos de la capa de salida. En el caso más conocido, los pesos de la capa de salida pueden ser obtenidos analíticamente mediante la solución de un sistema lineal sobredeterminado a través del cómputo de la pseudoinversa. La forma de entrenamiento ELM permite que el tiempo de entrenamiento disminuya dramáticamente, pero sin perder niveles de performance tanto de clasificación como regresión, siendo los resultados comparables con los conocidos MLP y SVM. Estas redes están teniendo una explosión en su utilización pues permiten abordar problemas complejos donde existan una gran cantidad de datos, o donde se requiere una gran cantidad de entrenamientos de la red como son los problemas de validación cruzada. En este tutorial se presentó una aproximación comprensiva de las redes ELM, se revisó inicialmente los conceptos de las redes tradicionales, la red ELM, y se realizó unas pruebas prácticas con algoritmos programados en Matlab/Octave.

En este taller se realizó una introducción a los fundamentos teóricos relacionados con el Aprendizaje Profundo y las Redes Neuronales Convolucionales (CNN). Se brindó un acercamiento a los componentes de las CNN, principales arquitecturas, procedimientos y buenas prácticas para el entrenamiento de CNN. Adicionalmente, se impartió una sección práctica en la que se presentaron las herramientas disponibles para la implementación, entrenamiento y ejecución de redes convolucionales para la solución de casos prácticos a partir de modelos end-to-end y pre-entrenados usando Matlab y Python. Además, se presentó un ejemplo de Redes Generativas Adversarias.