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.

Resultados de aprendizaxe	Competencias 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

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

Metodoloxías / probas	Competencias	Horas presenciais	Horas non presenciais / 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	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.

Metodoloxías	Competencias	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.

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

Observacións