Datos Identificativos | 2024/25 | |||||||||||||
Asignatura | Aprendizaxe Profunda | Código | 614G03022 | |||||||||||
Titulación |
|
|||||||||||||
Descriptores | Ciclo | Período | Curso | Tipo | Créditos | |||||||||
Grao | 1º cuadrimestre |
Terceiro | Optativa | 6 | ||||||||||
|
Temas | Subtemas |
Introdución á aprendizaxe profunda | Introdución aos conceptos básicos da aprendizaxe profunda. |
Redes profundas con alimentación cara a adiante | Teorema de aproximación universal para redes neuronais. Problema de esvaecemento/explosión do gradiente. Funcións de activación: funcións ReLU. Aprendizaxe baseada en gradientes. Funcións de custo habituais. |
Regularización para redes profundas | Términos de penalización baseadas na norma dos parámetros. Dropout. Normalización de lotes. Aumento de datos. |
Métodos de optimización para adestrar modelos profundos | Descenso de gradiente estocástico (SGD). Descenso de gradiente estocástico con Momentum. Algoritmos con paso de aprendizaxe adaptativo. Métodos de aprendizaxe de segunda orde. Estratexias de inicialización de parámetros. |
Redes convolucionais | Capas de convolución. Capas de pooling. Arquitecturas |
Redes residuais e densas | Residual neural networks (ResNet). Dense networks (DenseNet). |
Aprendizaxe por transferencia (Transfer Learning) | Transferir a aprendizaxe con redes previamente adestradas. Axuste fino (fine-tuning) de modelos preadestrados. |
Redes recorrentes | Redes LSTM. Redes GRU. |
Autoencoders | Autoencoders automáticos convolucionais. Autoencoders variacionais (Variational Autoencoder, VAE). |
Transformadores (transformers) | Mecanismo de atención. Arquitecturas dos transformadores. |
Outros modelos de aprendizaxe profundo | Modelos xerativos profundos. Redes de crenzas. AutoML. |