Datos Identificativos 2024/25
Asignatura (*) Aprendizaxe Profunda Código 614544013
Titulación
Descriptores Ciclo Período Curso Tipo Créditos
Mestrado Oficial 2º cuadrimestre
Primeiro Optativa 6
Idioma
Inglés
Modalidade docente Presencial
Prerrequisitos
Departamento Ciencias da Computación e Tecnoloxías da Información
Coordinación
Mosqueira Rey, Eduardo
Correo electrónico
eduardo.mosqueira@udc.es
Profesorado
Mosqueira Rey, Eduardo
Correo electrónico
eduardo.mosqueira@udc.es
Web
Descrición xeral A materia introduce os métodos que imitan a percepción e a aprendizaxe humanas mediante abstraccións baseadas na asimilación de múltiples niveis. Centrándonos no concepto de rede de neuronas artificiais, capacitarase ao estudante non só no uso de diferentes estratexias de xeración, senón na elección daquelas mellor adaptadas a cada caso particular de aplicación. Describiranse igualmente técnicas de regularización e estabilidade, co fin de maximizar o rendemento dos modelos xerados.

Competencias / Resultados do título
Código Competencias / Resultados do título

Resultados de aprendizaxe
Resultados de aprendizaxe Competencias / Resultados do título
Comprender o funcionamento das Redes de Neuronas Artificiais. AM10
AM11
CM8
CM9
Capacidade para deseñar arquitecturas de aprendizaxe profunda AM10
AM11
AM12
AM15
BM2
BM3
BM4
BM5
BM6
BM7
BM8
BM9
CM4
CM7
CM8
CM9
Ser capaz de obter modelos capaces de facer clasificación de patróns e recoñecemento de imaxes AM10
AM11
AM15
BM2
BM3
BM4
BM6
BM7
BM8
BM9
CM3
CM4
CM8
CM9
Ser capaz de visualizar e analizar a información de aprendizaxe dunha arquitectura de aprendizaxe profunda AM10
AM11
BM4
BM9
CM8
CM9

Contidos
Temas Subtemas
1. Introducción a aprendizaxe profunda Aprendizaxe superficial
Aprendizaxe profunda
Bibliotecas de aprendizaxe profunda
Exemplos
2. Regularización e optimización na aprendizaxe profunda
Introducción á regularización
Regularización vía datos
Regularización vía modelo
Regularización vía función obxectivo
Optimización
3. Redes neuronais convolucionais (CNNs)
Introducción as CNNs
Capa convolucional
Capa de pooling
Capa totalmente conectada
Exemplo de CNNs
Modelos preentrenados
Redes residuais
Redes Inception
Redes Xception
4. Redes reuronais recorrentes (RNNs)
Datos secuenciais
Utilización de datos secuenciais sen recorrencia
Redes recorrentes simples
Redes LSTM
Redes GRU
Uso avanzado das RNNs
5. Autocodificadores Autocodificadores
Autocodificadores variacionais
6. Redes xenerativas antagónicas (GANs) Conceptos básicos
Cómo entrenar GANs
DCGAN y WGAN
Cómo evaluar GANs
Aplicacions
Variacions das GANs
Desafíos das GANs
GANs avanzadas
7. Modelos de difusión
Introducción
A teoría dos modelos de difusión
Dos exemplos de modelos de difusión
Stable diffusion
Stable diffusion en acción
8. Aprendizaxe por reforzo Conceptos básicos
Qué é a aprendizaxe por reforzo
Métodos de solución
9. Transformadores Introducción
Bloques transformadores
Arquitecturas sólo codificador e sólo decodificador
Arquitecturas codificador-decodificador
Exemplos de transformadores

Planificación
Metodoloxías / probas Competencias / Resultados Horas lectivas (presenciais e virtuais) Horas traballo autónomo Horas totais
Sesión maxistral 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
Proba obxectiva A11 A12 B7 B9 3 0 3
 
Atención personalizada 0 0 0
 
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías
Metodoloxías Descrición
Sesión maxistral Clases expositivas de presentación dos coñecementos teóricos empregando diferentes recursos dixitais.
Prácticas de laboratorio Prácticas baseadas nos coñecementos que cada estudante vai adquirindo nas clases teóricas.
Proba obxectiva Proba escrita mediante a que se valoran os coñecementos adquiridos polo estudantado.
Cada estudante deberá aplicar tanto os seus coñecementos tanto a nivel teórico coma a nivel práctico.

Atención personalizada
Metodoloxías
Prácticas de laboratorio
Descrición
A atención personalizada ao estudantado comprende non só as titorías, presenciais ou virtuais, para a discusión de dúbidas, senón tamén as seguintes actuacións:

- Seguemento do labor realizado nas prácticas de laboratorio propostas polo profesorado.
- Avaliación dos resultados obtidos nas prácticas, participación en seminarios realizados por cada estudante.
- Encontros personalizados para resolver dúbidas sobre os contidos da asignatura.

Avaliación
Metodoloxías Competencias / Resultados Descrición Cualificación
Prácticas de laboratorio A11 A12 A13 A16 B2 B3 B4 B5 B6 B7 B8 B9 C3 C7 C9 Entrega de prácticas baseadas nos coñecementos adquiridos nas clases teóricas. 50
Proba obxectiva A11 A12 B7 B9 Proba realizada ao final do curso sobre contidos teórico-prácticos. 50
 
Observacións avaliación

Porcentaxes concretas de avaliación de cada parte.

  • A avaliación da materia realizarase en dous partes: avaliación continua (prácticas) e exame final. 
  • Para aprobar a materia é imprescindible obter unha cualificación mínima de 4 en ambas as partes por separado. 
  • A nota final da materia será a media aritmética da avaliación continua e o exame final, excepto naquelas situacións nas que non se chegou á cualificación mínima nalgunha das dúas partes, nese caso a nota final non poderá ser superior a 4.

Como se avalía o non presentado.

  • A entrega dalgunha das actividades ou probas de avaliación continua supoñerá que o alumno optou por presentarse á materia. Por tanto, a partir dese momento, aínda non presentándose ao exame final haberá consumido unha oportunidade.

Cómo se avalía a segunda oportunidade.

  • Na segunda oportunidade (xullo) conservaranse as notas da avaliación continua e/o o exame final obtidas durante o cuadrimestre, a condición de que a cualificación nesa parte sexa de 4 ou máis puntos. 
  • Se o alumno preséntase á segunda oportunidade na avaliación continua ou o exame final, a nota obtida na primeira oportunidade para esa parte anúlase, e a cualificación correspondente desa parte será a da segunda oportunidade. 
  • Para a avaliación continua establecerase un prazo límite para a entrega das prácticas. 
  • A nota final da materia na segunda oportunidade calcularase co mesmo criterio que na primeira oportunidade.

Fontes de información
Bibliografía 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

Bibliografía complementaria Andrew Ferlitsch (2021). Deep Learning Patterns and Practices. Manning
Andrew W. Trask (2019). Grokking Deep Learning . Manning


Recomendacións
Materias que se recomenda ter cursado previamente
Aprendizaxe Automática I/614544012

Materias que se recomenda cursar simultaneamente
Aprendizaxe Automática II/614544014

Materias que continúan o temario

Observacións


(*)A Guía docente é o documento onde se visualiza a proposta académica da UDC. Este documento é público e non se pode modificar, salvo casos excepcionais baixo a revisión do órgano competente dacordo coa normativa vixente que establece o proceso de elaboración de guías