Datos Identificativos | 2024/25 | ||||||||||||
Asignatura (*) | Aprendizaxe Profunda | Código | 614G03022 | ||||||||||
Titulación | |||||||||||||
Descriptores | Ciclo | Período | Curso | Tipo | Créditos | ||||||||
Grao | 1º cuadrimestre |
Terceiro | Optativa | 6 | |||||||||
Idioma |
|
||||||||||||
Modalidade docente | Presencial | ||||||||||||
Prerrequisitos | |||||||||||||
Departamento | Ciencias da Computación e Tecnoloxías da Información |
||||||||||||
Coordinación |
|
Correo electrónico |
|
||||||||||
Profesorado |
|
Correo electrónico |
|
||||||||||
Web | http://campusvirtual.udc.gal | ||||||||||||
Descrición xeral | Nesta asignatura cubriránse os métodos de aprendizaxe automática que abrangue a aprendizaxe profunda (Deep Learning). Daranse a coñecer algoritmos que solventan diversos problemas, como a clasificación, regresión, detección de anomalías e procesado de secuencias. Na vertente práctica, desenvolverase un proxecto que aplique técnicas de aprendizaxe profunda a un caso real. |
|
Resultados de aprendizaxe |
Resultados de aprendizaxe | Competencias / Resultados do título | ||
Coñecer e saber desenvolver diferentes arquitecturas de redes neuronais, tanto clásicas como profundas, e saber elixir as máis axeitadas aos diferentes problemas a tratar. | B2 B3 B9 |
||
Coñecer a estrutura e as aplicacións das redes neuronais recorrentes, recursivas e convolucionais. | B8 |
||
Coñecer e saber desenvolver e aplicar redes de tipo autocodificador. | B8 |
||
Coñecer e saber desenvolver e aplicar redes de crenzas. | B8 |
||
Coñecer e saber utilizar as distintas ferramentas para o desenvolvemento de redes de aprendizaxe profundas. | B3 B5 B10 |
Contidos |
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. |
Planificación |
Metodoloxías / probas | Competencias / Resultados | Horas lectivas (presenciais e virtuais) | Horas traballo autónomo | Horas totais |
Sesión maxistral | B2 B5 B9 | 21 | 21 | 42 |
Solución de problemas | B2 B8 | 21 | 21 | 42 |
Traballos tutelados | B3 B10 | 0 | 41 | 41 |
Proba obxectiva | B2 B3 B5 B8 B9 | 3 | 21 | 24 |
Atención personalizada | 1 | 0 | 1 | |
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado |
Metodoloxías |
Metodoloxías | Descrición |
Sesión maxistral | Ensinanza teórica da materia. A presentación de novos conceptos teóricos alternarase coa revisión de exemplos e casos de uso. |
Solución de problemas | Resolución de problemas prácticos mediante o uso das diferentes técnicas de aprendizaxe automática explicadas nas clases teóricas. |
Traballos tutelados | Elaboración, coa supervisión do profesor, dun proxecto no que se apliquen as técnicas aprendidas na materia para desenvolver un proxecto de análise de datos con aprendizaxe profunda. |
Proba obxectiva | Proba de avaliación final da materia na que o alumno deberá demostrar todos os coñecementos adquiridos na materia |
Atención personalizada |
|
|
Avaliación |
Metodoloxías | Competencias / Resultados | Descrición | Cualificación |
Traballos tutelados | B3 B10 | O alumnado debe elaborar e entregar proxectos de análise de datos sobre problemas reais aplicando as técnicas de aprendizaxe automática aprendidas na materia. Os proxectos deberán ir acompañados dunha memoria explicativa da solución proposta e xustificación das decisións de deseño adoptadas. | 50 |
Proba obxectiva | B2 B3 B5 B8 B9 | Proba de coñecementos teóricos e resolución de problemas prácticos para avaliar a adquisición de coñecementos e competencias por parte do alumno. | 50 |
Observacións avaliación | |||
Para superar a materia o alumno deberá cumprir os seguintes requisitos:
De non acadarse esta cualificación mínima nalgún destes apartados, a nota da materia será a máis baixa obtida entre a proba obxectiva e o traballo dirixido. Un alumno/a considerarase presentado nunha convocatoria se realiza a proba obxectiva. Os traballos supervisados deberán entregarse nas datas sinaladas. Unha entrega tardía dará lugar a un 0 nesa proba. Os traballos presentados deberán ser orixinais para o alumno A entrega de traballos non orixinais ou con partes duplicadas (xa sexa por copias entre compañeiros ou mediante a obtención doutras fontes) levará unha nota global de SUSPÊNSO na convocatoria correspondente, tanto para o alumno que presente material copiado así como a quen o facilitou, invalidando calquera outra cualificación obtida nas actividades avaliables. Sobre a responsabilidade compartida do traballo en grupo: Nas actividades realizadas en grupo, como o traballo tutelado, todos os membros do grupo serán solidariamente responsables do traballo realizado e entregado, así como das consecuencias que se deriven do incumprimento das normas de autoría deste. Segunda oportunidade: Na segunda oportunidade mantense a cualificación obtida no traballo tutelado. Aqueles alumnos que teñan que aproveitar esta oportunidade deberán realizar a proba obxectiva cos mesmos criterios de avaliación que na primeira oportunidade. Opcionalmente, no que respecta ás prácticas, habilitarase unha entrega adicional para a entrega do traballo. A nota deste traballo substituirá á nota do traballo tutelado da primeira oportunidade. A entrega dun novo traballo implica a perda da califiación anterior independentemente de que fose superior. Matrícula con exención académica: Para o alumnado matriculado con exención académica, os traballos tutelados deberán entregarse nas datas establecidas. Correspóndelle aos devanditos alumnos informar ao profesor da súa circunstancia. |
Fontes de información |
Bibliografía básica |
![]() ![]() |
|
|
Bibliografía complementaria |
![]() ![]() ![]() |
|
Recomendacións |
Materias que se recomenda ter cursado previamente | ||||||||
|
Materias que se recomenda cursar simultaneamente |
Materias que continúan o temario | |
|
Observacións | |