Redes neuronales convolucionales: Introducción

Video elaborado por el Grupo Técnico de Trabajo "Ciencia de Datos Geoespaciales". El video presenta una introducción integral a las Redes Neuronales Convolucionales (CNN), abordando desde sus fundamentos conceptuales hasta su aplicación práctica en clasificación satelital. A lo largo del recorrido se explica el funcionamiento de las convoluciones, los filtros, el stride, el padding, las funciones de activación, el pooling y las capas densas, así como el proceso de entrenamiento mediante retropropagación y optimización. El enfoque combina intuición visual, formulación matemática y ejemplos aplicados a GeoAI, incluyendo un caso práctico con el dataset EuroSAT. Las CNN resultan especialmente adecuadas para tareas como la segmentación de imágenes satelitales, la clasificación de cobertura y uso del suelo, la detección de objetos en imágenes capturadas por drones, el análisis de cambios espaciales, el monitoreo ambiental y diversas aplicaciones en teledetección y análisis geoespacial. CONTENIDOS DEL VIDEO 1. INTRODUCCIÓN A LAS REDES NEURONALES CONVOLUCIONALES (CNN) 2. EL CONCEPTO DE PARCHE SATELITAL 3. FILTROS EN PROCESAMIENTO DE IMÁGENES 4. OPERACIÓN DE CONVOLUCIÓN (EJEMPLO EXPLÍCITO) 5. STRIDE Y PADDING 6. FORMULACIÓN MATEMÁTICA DE LA CONVOLUCIÓN 7. CONVOLUCIÓN MULTICANAL 8. CAPAS CONVOLUCIONALES PROFUNDAS 9. FUNCIONES DE ACTIVACIÓN 10. POOLING 11. BLOQUE CONVOLUCIONAL COMPLETO 12. FLATTEN 13. CAPAS FULLY CONNECTED (DENSE) 14. FORMULACIÓN MATEMÁTICA DE UNA CAPA DENSA 15. LA FULLY CONNECTED COMO BLOQUE DE RAZONAMIENTO 16. ENTRENAMIENTO DE UNA CNN 17. RETROPROPAGACIÓN Y OPTIMIZACIÓN 18. BATCHES, ÉPOCAS Y GENERALIZACIÓN 19. CASO PRÁCTICO: CLASIFICACIÓN SATELITAL CON EUROSAT • Introducción al dataset EuroSAT • Preparación de datos en Google Colab • Arquitectura CNN utilizada • Entrenamiento y validación del modelo • Evaluación con Accuracy y F1 macro • Matriz de confusión e interpretación Notebook: https://colab.research.google.com/dri... Descargar Eurosat desde Zenodo: https://zenodo.org/records/7711810 Subir el .zip a Drive y modificar la url de la notebook 20. CIERRE Y PRÓXIMOS PASOS Podes leer más sobre CNN en el siguiente capítulo (en edición): 👉https://cdg-idera.github.io/geosemant... 👉https://cdg-idera.github.io/geosemant...\_ejemplos.html ------------------------------------------------------------------- TAGS: #CNN #ConvolutionalNeuralNetwork #DeepLearning #MachineLearning #ArtificialIntelligence #NeuralNetworks #Convolution #Stride #Padding #Flatten #Pooling #MaxPooling #FeatureMaps #ActivationFunctions #ReLU #Softmax #Backpropagation #LossFunction #FullyConnected #DenseLayer #ModelTraining #Batch #Epoch #Overfitting ------------------------------------------------------------------- 🔊 Créditos de audio El audio de este video fue generado y procesado mediante tecnología de inteligencia artificial utilizando ElevenLabs (https://elevenlabs.io). El guión (script) del video es producción del autor del video. ------------------------------------------------------------------- 🎵 Créditos musicales Prism, Theatre Of Delays Music: https://www.bensound.com License code: 6ZBOLXFXETMCV96S Artist: : Theatre Of Delays ------------------------------------------------------------------- 📚 Recursos complementarios: Podés acceder a los libros digitales en los siguientes enlaces: 📘 Libro: GeoIA aplicado a Imágenes Satelitales 👉 https://cdg-idera.github.io/PAT\_INT\_GEE/intro.html 📗 Libro (en edición): Geosemántica: fundamentos de los modelos fundacionales y embeddings satelitales (FM4EO) 👉 https://cdg-idera.github.io/geosemant...