Competencias del título |
Código
|
Competencias / Resultados del título
|
A11 |
CE10 - Capacidad para la construcción, validación y aplicación de un modelo estocástico de un sistema real a partir de los datos observados y el análisis crítico de los resultados obtenidos |
A12 |
CE11 - Comprensión y dominio de las principales técnicas y herramientas de análisis de datos, tanto desde el punto de vista estadístico como del aprendizaje automático, incluyendo las dedicadas al tratamiento de grandes volúmenes de datos, y capacidad para seleccionar las más adecuadas para la resolución de problemas. |
A13 |
CE12 - Capacidad para plantear, formular y resolver todas las etapas de un proyecto de datos, incluyendo la compresión y dominio de fundamentos y técnicas básicas para la búsqueda y el filtrado de información en grandes colecciones de datos |
A16 |
CE15 - Conocimiento de las herramientas informáticas en el campo del aprendizaje automático, y capacidad para seleccionar la más adecuada para la resolución de un problema |
B2 |
CG02 - Abordar con éxito todas las etapas de un proyecto de Inteligencia Artificial |
B3 |
CG03 - Buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo |
B4 |
CG04 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables en el campo |
B5 |
CG05 - Trabajar en equipo, especialmente de carácter multidisciplinar, y ser hábiles en la gestión del tiempo, personas y toma de decisiones |
B6 |
CB01 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación |
B7 |
CB02 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio |
B8 |
CB03 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios |
B9 |
CB04 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigu?edades |
C3 |
CT03 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida |
C4 |
CT04 - Desarrollarse para el ejercicio de una ciudadanía respetuosa con la cultura democrática, los derechos humanos y la perspectiva de género |
C7 |
CT07 - Desarrollar la capacidad de trabajar en equipos interdisciplinares o transdisciplinares, para ofrecer propuestas que contribuyan a un desarrollo sostenible ambiental, económico, político y social |
C8 |
CT08 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad |
C9 |
CT09 - Tener la capacidad de gestionar tiempos y recursos: desarrollar planes, priorizar actividades, identificar las críticas, establecer plazos y cumplirlos |
Resultados de aprendizaje |
Resultados de aprendizaje |
Competencias / Resultados del título |
Comprender el funcionamiento de las Redes de Neuronas Artificiales. |
AM10 AM11
|
|
CM8 CM9
|
Capacidad para diseñar arquitecturas de aprendizaje profundo |
AM10 AM11 AM12 AM15
|
BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9
|
CM4 CM7 CM8 CM9
|
Ser capaz de obtener modelos capaces de hacer clasificación de patrones y reconocimiento de imágenes |
AM10 AM11 AM15
|
BM2 BM3 BM4 BM6 BM7 BM8 BM9
|
CM3 CM4 CM8 CM9
|
Ser capaz de visualizar y analizar la información de aprendizaje de una arquitectura de aprendizaje profundo |
AM10 AM11
|
BM4 BM9
|
CM8 CM9
|
Contenidos |
Tema |
Subtema |
1. Introducción al aprendizaje profundo |
Aprendizaje superficial
Aprendizaje profundo
Bibliotecas de aprendizaje profundo
Ejemplos |
2. Regularización y optimización en el aprendizaje profundo
|
Introducción a la regularización
Regularización vía datos
Regularización vía modelo
Regularización vía función objetivo
Optimización |
3. Redes neuronales convolucionales (CNNs)
|
Introducción a las CNNs
Capa convolucional
Capa de pooling
Capa totalmente conectada
Ejemplo de CNNs
Modelos preentrenados
Redes residuales
Redes Inception
Redes Xception |
4. Redes neuronales recurrentes (RNNs)
|
Datos secuenciales
Utilización de datos secuenciales sin recurrencia
Redes recurrentes simples
Redes LSTM
Redes GRU
Uso avanzado de las RNNs |
5. Autocodificadores
|
Autocodificadores
Autocodificadores variacionales |
6. Redes generativas antagónicas (GANs)
|
Conceptos básicos
Cómo entrenar GANs
DCGAN y WGAN
Cómo evaluar GANs
Aplicaciones
Variaciones de las GANs
Desafíos de las GANs
GANs avanzadas |
7. Modelos de difusión
|
Introducción
La teoría de los modelos de difusión
Dos ejemplos de modelos de difusión
Stable diffusion
Stable diffusion en acción |
8. Aprendizaje por refuerzo
|
Conceptos básicos
Qué es el aprendizaje por refuerzo
Métodos de solución
|
9. Transformadores |
Introducción
Bloques transformadores
Arquitecturas sólo codificador y sólo decodificador
Arquitecturas codificador-decodificador
Ejemplos de transformadores
|
Planificación |
Metodologías / pruebas |
Competencias / Resultados |
Horas lectivas (presenciales y virtuales) |
Horas trabajo autónomo |
Horas totales |
Sesión magistral |
A11 A12 A13 B2 B3 B6 B8 B9 C4 C8 |
21 |
21 |
42 |
Prácticas de laboratorio |
A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C7 C9 |
21 |
84 |
105 |
Prueba objetiva |
A11 A12 B7 B9 |
3 |
0 |
3 |
|
Atención personalizada |
|
0 |
0 |
0 |
|
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
Metodologías |
Descripción |
Sesión magistral |
Clases magistrales con la exposición de los conocimientos teóricos usando diferentes recursos digitales. |
Prácticas de laboratorio |
Prácticas basadas en los conocimientos que el estudiante va adquiriendo en las clases teóricas. |
Prueba objetiva |
Prueba escrita mediante la que se valora los conocimientos adquiridos por el alumnado.
Cada estudiante deberá aplicar sus conocimientos tanto a nivel teórico como a nivel práctico. |
Atención personalizada |
Metodologías
|
Prácticas de laboratorio |
|
Descripción |
La atención personalizada al alumnado comprende no solo las tutorías, presenciales o virtuales, para la discusión de dudas, sino también las siguientes actuaciones:
- Seguimiento de la labor realizada en las prácticas de laboratorio propuestos por el profesorado.
- Evaluación de los resultados obtenidos en las prácticas, participación en seminarios realizados por el alumnado.
- Encuentros personalizados para resolver dudas sobre los contenidos de la asignatura.
|
|
Evaluación |
Metodologías
|
Competencias / Resultados |
Descripción
|
Calificación
|
Prácticas de laboratorio |
A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C7 C9 |
Entrega de prácticas basadas en los conocimientos adquiridos en las clases teóricas. |
50 |
Prueba objetiva |
A11 A12 B7 B9 |
Prueba realizada al final del curso sobre contenidos teórico-prácticos. |
50 |
|
Observaciones evaluación |
Porcentajes concretos de evaluación de cada parte. - La evaluación de la asignatura se realizará en dos partes: evaluación continua (prácticas) y examen final.
- Para aprobar la asignatura es imprescindible obtener una calificación mínima de 4 en ambas partes por separado.
- La nota final de la materia será la media aritmética de la evaluación continua y el examen final, excepto en aquellas situaciones en las que no se haya llegado a la calificación mínima en alguna de las dos partes, en cuyo caso la nota final no podrá ser superior a 4.
Cómo se evalúa el no presentado. - La entrega de alguna de las actividades o pruebas de evaluación continua supondrá que el alumno optó por presentarse a la asignatura. Por tanto, a partir de ese momento, aun no presentándose al examen final habrá consumido una oportunidad.
Cómo se evalúa la segunda oportunidad. - En la segunda oportunidad (julio) se conservarán las notas de la evaluación continua y/o el examen final obtenidas durante el cuatrimestre, siempre y cuando la calificación en esa parte sea de 4 o más puntos.
- Si el alumno se presenta a la segunda oportunidad en la evaluación continua o el examen final, la nota obtenida en la primera oportunidad para esa parte se anula, y la calificación correspondiente de esa parte será la de la segunda oportunidad.
- Para la evaluación continua se establecerá un plazo límite para la entrega de las prácticas.
- La nota final de la materia en la segunda oportunidad se calculará con el mismo criterio que en la primera oportunidad.
|
Fuentes de información |
Básica
|
Mohamed Elgendy (2020). Deep Learning for Vision Systems. Manning
François Chollet (2021). Deep Learning with Python, 2nd Ed.. Manning
Jakub Langr, Vladimir Bok (2019). GANs in Action. Manning
David Foster (2023). Generative Deep Learning - 2nd Ed . O'Reilly
Aurélien Géron (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Ed.. O'Reilly |
|
Complementária
|
Andrew Ferlitsch (2021). Deep Learning Patterns and Practices. Manning
Andrew W. Trask (2019). Grokking Deep Learning . Manning |
|
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente |
Aprendizaje Automático I/614544012 |
|
Asignaturas que se recomienda cursar simultáneamente |
Aprendizaje Automático II/614544014 |
|
Asignaturas que continúan el temario |
|
|