Aprendizaje profundo en ciencia e ingeniería de materiales: de conceptos a aplicaciones

Resumen

ABOUT THE COURSE:

Why Deep Learning in MSE? Deep Learning has widely been used in various sectors; health care, finance, agriculture, education, energy, entertainment etc have been using Deep Learning to improve their performances.

Tech giants have been pushing their boundaries to achieve more as Deep Learning is the driving force everywhere and similarly the demand for skilled professional has steeply been rising. The design and discovery of new materials, processing optimization and prediction of properties would require applications of Deep Learning techniques and even deployment of the same.

The present course is meant for students preparing for higher studies, researchers applying AI tools, the industry professionals wanting to upskill. This is a balanced course with conceptual learning and hands-on with ability to build intuition, apply concepts to data, and interpret model output.

Upon successfully completing this course, you will have a mini portfolio of Deep Learning projects, which can be showcased to the potential employers or use for research.INTENDED AUDIENCE:

Materials, Mechanical, Physics, ChemistryPREREQUISITES:

Knowledge of Artificial Intelligence and Machine Learning

Programa

• Introducción al Aprendizaje Profundo en Ciencia de Materiales
Resumen del Aprendizaje Profundo
Importancia para Ciencia e Ingeniería de Materiales (CIM)
Objetivos del curso y resultados esperados
• Fundamentos del Aprendizaje Profundo
Conceptos básicos de Redes Neuronales
Funciones de activación y técnicas de optimización
Técnicas de sobreajuste y regularización
Marcos de trabajo de aprendizaje profundo (TensorFlow, PyTorch)
• Manejo de Datos en CIM
Tipos de datos y fuentes en Ciencia de Materiales
Preprocesamiento y normalización de datos
Técnicas de extracción de características específicas para CIM
• Diseño de Arquitectura para Ciencia de Materiales
Redes Neuronales Convolucionales (CNNs) para análisis de microestructura
Redes Neuronales Recurrentes (RNNs) para datos de series temporales
Autoencoders para la predicción de propiedades de materiales
• Aplicación del Aprendizaje Profundo en el Diseño y Descubrimiento de Materiales
Estudios de caso sobre descubrimiento de materiales usando Aprendizaje Profundo
Modelado predictivo de propiedades de materiales
Aplicaciones en nanomateriales y compuestos
• Optimización de Procesos usando Aprendizaje Profundo
Simulación y optimización en procesos de manufactura
Aprendizaje por refuerzo profundo para control de procesos
• Interpretación y Visualización de Salidas del Modelo
Técnicas para la explicabilidad del modelo
Herramientas de visualización para interpretar resultados de aprendizaje profundo
• Proyectos Prácticos
Proyecto 1: Construcción de una CNN para Análisis de Microestructura
Proyecto 2: Predicción de Propiedades de Materiales con Autoencoders
Proyecto 3: Optimización de Procesos en Manufactura de Materiales
• Despliegue de Modelos de Aprendizaje Profundo
Introducción al despliegue de modelos en entornos de producción
Mejores prácticas para mantener y actualizar modelos
• Tendencias Futuras y Desafíos en Aprendizaje Profundo para CIM
Tecnologías emergentes y aplicaciones
Consideraciones éticas y desafíos
• Revisión del Curso y Desarrollo de Portafolio
Revisión de conceptos clave
Orientación para construir y presentar un portafolio de proyectos
• Evaluación y Certificación
Cuestionarios y exámenes prácticos
Presentación y evaluación del proyecto final

---

Impartido por

Prof. Krishanu Biswas

---

Materias

Computer Science