Competencias / Resultados do título |
Código
|
Competencias / Resultados do título
|
A11 |
CE10 - capacidade para a construcción, validación e aplicación dun modelo estocástico dun sistema real a partir dos datos observados e o análisis crítico dos resultados obtidos para seleccionar as máis axeitadas para a resolución de problemas |
A12 |
CE11 - Comprensión e dominio das principáis técnicas e ferramentas de análisis de datos, tanto dende o punto de vista estatístico como da aprendizaxe automática, incluíndo as dedicadas ao tratamento de grandes volúmenes de datos, e capacidade para seleccioar as máis axeitadas para a resolución de problemas |
A13 |
CE12 - capacidade para plantexar, formular e resolver todas as etapas dun proxecto de datos, incluíndo a compresión e dominio de fundamentos e técnicas básicas para a búsqueda e o filtrado de información en grandes coleccións de datos |
A16 |
CE15 - coñecemento das ferramentas informáticas no campo da aprendizaxe automática, e capacidade para seleccionar a máis axeitad para a resolución dun problema |
B2 |
CG02 - Abordar con éxito todas as etapas dun proxecto de Intelixencia Artificial |
B3 |
CG03 - Buscar e seleccionar a información útil necesaria para resolver problemas complexos, manexando con soltura as fontes bibliográficas do campo |
B4 |
CG04 - Elaborar axeitadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables no campo |
B5 |
CG05 - Traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións |
B6 |
CB01 - Poseer e comprender coñecementos que aporten unha base ou oportunidade de ser orixináis no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación |
B7 |
CB02 - Que os estudantes saiban aplicar os coñecementos adquiridos e posúan capacidade de resolución de problemas en entornos novos ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacioados coa su área de estudo |
B8 |
CB03 - Que os estudantes sexan capaces de integrar coñecementos e enfrentarse á complexidade de formular xuízos a partiren dunha información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociáis e éticas vinculadas á aplicación dos seus coñecementos e xuízos |
B9 |
CB04 - Que os estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos especializados e non especializados dun xeito claro e sen ambigu?idades |
C3 |
CT03 - Utilizar as ferramientas 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 |
CT04 - Desenvolverse para o exercicio dunha una cidadanía respetuosa coa cultura democrática, os dereitos humáns e la perspectiva de xénero |
C7 |
CT07 - Desenvolver a capacidade de traballar en equipos interdisciplinares ou transdisciplinares, para ofrecer propostas que contribúan a un desenrolo sostible ambiental, económico, político e social |
C8 |
CT08 - Valorar a importancia que ten a investigación, a innovación e o desenrolo tecnolóxico no avance socioeconómico e cultural da sociedade |
C9 |
CT09 - Ter a capacidade de xestionar tempos e recursos: desenvolver plans, priorizar actividades, identificar as críticas, establecer plazos e cumplilos |
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 |
|
|