| Competencies / Study results |
| Code | Study programme competences / results |
| A1 | CE1 - Capacidade para utilizar con destreza conceptos e métodos propios da matemática discreta, a álxebra lineal, o cálculo diferencial e integral, e a estatística e probabilidade, na resolución dos problemas propios da ciencia e enxeñaría de datos. |
| A3 | CE3 - Capacidade para a análise de datos e a comprensión, modelado e resolución de problemas en contextos de aleatoriedade. |
| A24 | CE24 - Comprensión e dominio dás principais técnicas básicas e avanzadas de aprendizaxe automática, incluíndo as dedicadas ao tratamento de grandes volumes de datos. |
| A25 | CE25 - Capacidade para identificar a adecuación de cada unha das técnicas de aprendizaxe automática á resolución dun problema, incluíndo os aspectos relacionados coa súa complexidade computacional ou a súa capacidade explicativa, de acordo aos requisitos establecidos. |
| A26 | CE26 - Coñecemento das ferramentas informáticas actuais no campo da aprendizaxe automática, e capacidade para seleccionar a máis adecuada para a resolución dun problema. |
| A28 | CE28 - Comprensión e dominio dos fundamentos e técnicas para o procesado de datos escritos, tanto en linguaxe formal como en linguaxe natural. |
| B2 | CB2 - Que os estudantes saiban aplicar os seus coñecementos ao seu traballo ou vocación dunha forma profesional e posúan as competencias que adoitan demostrarse por medio da elaboración e defensa de argumentos e a resolución de problemas dentro da súa área de estudo |
| B3 | CB3 - Que os estudantes teñan a capacidade de reunir e interpretar datos relevantes (normalmente dentro da súa área de estudo) para emitir xuízos que inclúan unha reflexión sobre temas relevantes de índole social, científica ou ética |
| B7 | CG2 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables. |
| B8 | CG3 - Ser capaz de manter e estender formulacións teóricas fundadas para permitir a introdución e explotación de tecnoloxías novas e avanzadas no campo. |
| B9 | CG4 - Capacidade para abordar con éxito todas as etapas dun proxecto de datos: exploración previa dos datos, preprocesado, análise, visualización e comunicación de resultados. |
| B10 | CG5 - Ser capaz de traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións. |
| C1 | CT1 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida. |
| C4 | CT4 - Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade. |
| Learning aims | |||
| Learning outcomes | Study programme competences / results | ||
| Coñecer as técnicas de aprendizaxe profunda | A1 A3 A24 A28 |
B2 B3 B7 B8 B9 B10 |
C1 C4 |
| Identificar as técnicas axeitadas de análise de datos segundo o problema | A24 A25 A26 |
B2 B3 B7 |
|
| Manexar as ferramentas e contornas de traballo máis actuais no ámbito da aprendizaxe automática | A24 A26 A28 |
C4 |
|
| Contents |
| Topic | Sub-topic |
| Introducción | ¿Por qué Deep Learning? |
| Redes profundas con alimentación hacia diante | Teorema de aproximación universal das redes de neuronas. Problema do desvanecimiento/explosión do gradiente. Funcións de activación: funcións ReLU. Aprendizaxe basada en gradiente. |
| Regularización para redes profundas | Términos de penalización baseados na norma dos parámetros Dropout Batch Normalization Aumentación de datos |
| Métodos de optimización para o adestramento de modelos profundos | Descenso de gradiente estocástico (SGD) Descenso de gradiente estocástico con Momentum Algoritmos con paso de aprendizaxe adaptativo Métodos de aprendizaxe de segundo orden Estratexias de inicialización dos parámetros |
| Redes convolucionais | Capas de convolución Capas de Pooling Arquitecturas Transfer learning con redes preadestradas |
| Residual neural networks (ResNet) | Dense Networks |
| Redes recurrentes | Redes LSTM Redes GRU |
| Autoencoders | Autoenconders convolucionais Denoising Autoencoders |
| Modelos probabilísticos/gráficos | Redes bayesianas Modelos de Markov Redes de crenza profundas (Deep Belief Networks) |
| Aspectos avanzados da aprendizaxe profunda | Attention models Modelos xenerativos profundos AutoML |
| Planning | ||||
| Methodologies / tests | Competencies / Results | Teaching hours (in-person & virtual) | Student’s personal work hours | Total hours |
| Supervised projects | A24 A25 A26 A28 A1 A3 B2 B3 B7 B9 B10 C1 | 5 | 25 | 30 |
| Objective test | A24 A25 A1 A3 B7 | 3 | 21 | 24 |
| ICT practicals | A24 A25 A26 A28 B3 B10 C1 | 16 | 16 | 32 |
| Guest lecture / keynote speech | A24 A25 A26 A1 A3 B2 B3 B8 C4 | 21 | 42 | 63 |
| Personalized attention | 1 | 0 | 1 | |
| (*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students. | ||||
| Methodologies |
| Methodologies | Description |
| Supervised projects | Elaboración, coa supervisión do profesor, dun proxecto no que se apliquen as técnicas aprendidas na asignatura para desenvolver un proxecto de análise de datos con aprendizaxe automática |
| Objective test | Proba de avaliación escrita na que a/o estudante deberá demostrar os coñecementos adquiridos na asignatura |
| ICT practicals | Sesións de carácter práctica dirixidas polo profesorado nas que se resolven problemas de xeito guiado. |
| Guest lecture / keynote speech | Impartición teórica da materia da asignatura. Alternaranse a exposición de novos conceptos teóricos coa revisión de exemplos e a resolución de exercicios |
| Personalized attention |
|
|
| Assessment | |||
| Methodologies | Competencies / Results | Description | Qualification |
| Supervised projects | A24 A25 A26 A28 A1 A3 B2 B3 B7 B9 B10 C1 | Os alumnos deberán desenvolver proxectos de análise de datos sobre problema reais aplicando as técnicas de aprendizaxe automática aprendidas na asignatura. | 50 |
| Objective test | A24 A25 A1 A3 B7 | No período de avaliación realizarase unha proba de coñecimientos teóricos e de resolución de problemas prácticos para avaliar a adquisición das competencias por parte do alumno. | 50 |
| Assessment comments | |||
|
O alumno deberá obter unha nota mínima de 5 sobre 10 puntos na proba obxectiva e unha nota mínima de 4 sobre 10 nos traballos tutelados. Se non se acada esta nota mínima nalgún dos dous ditos apartados, a nota da materia será a menor das dúas. Satisfeitos estes requisitos, deberase acadar unha nota mínima de 5 no global da asignatura para superala. Un/unha estudante considerarase presentado/a nunha convocatoria se se avalía dos traballos tutelados ou se se presenta á proba obxectiva. Segunda oportunidade e convocatorias posteriores Na segunda oportunidade, mantense a nota obtida nos traballos tutelados. Aqueles/as estudantes que teñan que incorrer a esta oportunidade deberán realizar a proba obxectiva cos mesmos criterios de avaliación que na primeira oportunidade. Opcionalmente, con respecto ós traballos tutelados, habilitarase unha avaliación adicional para os traballos tutelados. A cualificación desta avaliación substituirá a nota dos traballos tutelados da primeira oportunidade. Presentarse á dita avaliación implica a perda da cualificación anterior independentemente de que esta fora superior. No caso de suspender a asignatura, os traballos tutelados con nota igual ou superior a 5 gardaranse para o curso posterior con calificación de aprobado (5). En cada curso, o alumno terá a opción de entregar unha nova práctica que sustituiría a nota da anterior. Os traballos non se gardarán máis de un curso. Todos os aspectos relacionados con “dispensa académica”, “dedicación ao estudo”, “permanencia” e “fraude académica” rexeranse de acordo coa normativa académica vixente da UDC. Titorías A maiores, as titorias considéranse unha parte importante dentro do desenvolvemento da asignatura. Están orientadas de tal maneira que os/as estudantes teñan e/ou poidan consultar distintas cuestións como: 1. Posibilidades de desenvolvemento profesional 2. Problemas no desenvolvemento das prácticas 3. Maneiras de enfocar/organizar as prácticas 4. Resolución de dubidas sobre as cuestións teóricas Debido a configuración baseada na non presencialidade das mesmas por parte dos centros, pedirase ós/ás estudantes que soliciten cita ós profesores responsables para realizar videochamadas por Teams dentro dos horarios de titorías do profesorado establecidos en espazos.udc.es. |
|||
| Sources of information |
| Basic |
Ian Goodfellow, Yoshua Bengio, Aaron Courville (2016). Deep Learning. MIT Press
François Chollet (2018). Deep Learning with Python. Manning Publications
Daphne Koller, Nir Friedman (2009). Probabilistic Graphical Models Principles and Techniques. MIT Press |
|
|
|
| Complementary |
Aston Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola (2021). Dive in Deep Learning . Ebook
Eugene Charniak (2019). Introduction to Deep Learning. A project-based guide to the basics of deep learning. MIT Press |
|
O libro Dive in Deep Learning pódese obter gratuitamente en http://d2l.ai/ |
| Recommendations | ||||
| Subjects that it is recommended to have taken before | ||||
|
| Subjects that are recommended to be taken simultaneously |
| Subjects that continue the syllabus | |||
|
| Other comments | |