| Competencias del título |
| Código | Competencias del título |
| A1 | CE1 - Capacidad para utilizar con destreza conceptos y métodos propios de la matemática discreta, el álgebra lineal, el cálculo diferencial e integral, y la estadística y probabilidad, en la resolución de los problemas propios de la ciencia e ingeniería de datos. |
| A3 | CE3 - Capacidad para el análisis de datos y la comprensión, modelado y resolución de problemas en contextos de aleatoriedad. |
| A24 | CE24 - Comprensión y dominio de las principales técnicas básicas y avanzadas de aprendizaje automático, incluyendo las dedicadas al tratamiento de grandes volúmenes de datos. |
| A25 | CE25 - Capacidad para identificar la adecuación de cada una de las técnicas de aprendizaje automático a la resolución de un problema, incluyendo los aspectos relacionados con su complejidad computacional o su capacidad explicativa, de acuerdo a los requisitos establecidos. |
| A26 | CE26 - Conocimiento de las herramientas informáticas actuales en el campo del aprendizaje automático, y capacidad para seleccionar la más adecuada para la resolución de un problema. |
| A28 | CE28 - Comprensión y dominio de los fundamentos y técnicas para el procesado de datos escritos, tanto en lenguaje formal como en lenguaje natural. |
| B2 | CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio |
| B3 | CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética |
| B7 | CG2 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables. |
| B8 | CG3 - Ser capaz de mantener y extender planteamientos teóricos fundados para permitir la introducción y explotación de tecnologías nuevas y avanzadas en el campo. |
| B9 | CG4 - Capacidad para abordar con éxito todas las etapas de un proyecto de análisis de datos: exploración previa de los datos, preprocesado, análisis, visualización y comunicación de resultados. |
| B10 | CG5 - Ser capaz de trabajar en equipo, especialmente de carácter multidisciplinar, y ser hábiles en la gestión del tiempo, personas y toma de decisiones. |
| C1 | CT1 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida. |
| C4 | CT4 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad. |
| Resultados de aprendizaje | |||
| Resultados de aprendizaje | Competencias del título | ||
| Conocer las técnicas del aprendizaje profundo | A1 A3 A24 A28 |
B2 B3 B7 B8 B9 B10 |
C1 C4 |
| Identificar las técnicas adecuadas de análisis de datos según el problema | A24 A25 A26 |
B2 B3 B7 |
|
| Manejar las herramientas y entornos de trabajos más actuales en el ámbito del aprendizaje automático | A24 A26 A28 |
C4 |
|
| Contenidos |
| Tema | Subtema |
| Introducción | ¿Por qué Deep Learning? |
| Redes profundas con alimentación hacia delante | Teorema de aproximación universal de las redes de neuronas. Problema del desvanecimiento/explosión del gradiente. Funciones de activación: funciones ReLU. Aprendizaje basado en gradiente. |
| Regularización para redes profundas | Términos de penalización basados en la norma de los parámetros. Dropout. Batch Normalization Aumentación de datos. |
| Métodos de optimización para el entrenamiento de modelos profundos | Descenso de gradiente estocástico (SGD) Descenso de gradiente estocástico con Momentum Algoritmos con paso de aprendizaje adaptativo Métodos de aprendizaje de segundo orden Estrategias de inicialización de los parámetros |
| Redes convolucionales | Capas de convolución Capas de Pooling Arquitecturas Transfer learning con redes preentrenadas |
| Residual neural networks (ResNet) | Dense networks |
| Redes recurrentes | Redes LSTM Redes GRU |
| Autoencoders | Autoenconders convolucionales Denoising Autoencoders |
| Modelos probabilísticos/gráficos | Redes bayesianas Modelos de Markov Redes de creencia profundas (Deep Belief Networks) |
| Aspectos avanzados del aprendizaje profundo | Attention models Modelos generativos profundos AutoML |
| Planificación | ||||
| Metodologías / pruebas | Competéncias | Horas presenciales | Horas no presenciales / trabajo autónomo | Horas totales |
| Prácticas a través de TIC | A24 A25 A26 A28 B3 B10 C1 | 16 | 16 | 32 |
| Trabajos tutelados | A16 A24 A25 A26 A1 A3 B2 B3 B7 B9 B10 C1 | 5 | 25 | 30 |
| Prueba objetiva | A24 A25 A1 A3 B7 | 3 | 21 | 24 |
| Sesión magistral | A24 A25 A26 A1 A3 B2 B3 B8 C4 | 21 | 42 | 63 |
| Atención personalizada | 1 | 0 | 1 | |
| (*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos | ||||
| Metodologías |
| Metodologías | Descripción |
| Prácticas a través de TIC | Resolución de problemas prácticos mediante el uso de las distintas técnicas que se explicarán en las clases de teoría |
| Trabajos tutelados | Elaboración, con la supervisión del profesor, de un proyecto en el que se apliquen las técnicas aprendidas en la asignatura para desarrollar un proyecto de análisis de datos con aprendizaje automático |
| Prueba objetiva | Prueba de evaluación escrita en la que el/la estudiante deberá demostrar los conocimientos adquiridos en la asignatura |
| Sesión magistral | Impartición teórica de la materia de la asignatura. Se alternarán la exposición de nuevos conceptos teóricos con la revisión de ejemplos y la resolución de ejercicios |
| Atención personalizada |
|
|
| Evaluación | |||
| Metodologías | Competéncias | Descripción | Calificación |
| Prácticas a través de TIC | A24 A25 A26 A28 B3 B10 C1 | Esta parte se corresponderá con la evaluación continua de las prácticas. En la evaluación se tendrá en cuenta la completitud de los trabajos realizados durante las horas presenciales, así como su entrega en tiempo y forma, así como los conocimientos adquiridos. | 15 |
| Trabajos tutelados | A16 A24 A25 A26 A1 A3 B2 B3 B7 B9 B10 C1 | Las/los estudiantes deberán confeccionar y entregar proyectos de análisis de datos sobre problemas reales aplicando las técnicas de aprendizaje automático aprendidas en la asignatura. Los mencionados proyectos deberán ir acompañados de una memoria en la que se explique la solución propuesta y se justifiquen las decisiones de diseño tomadas. | 35 |
| Prueba objetiva | A24 A25 A1 A3 B7 | En el periodo de evaluación se realizará una prueba de conocimientos teóricos y de resolución de problemas prácticos para evaluar la adquisición de las competencias por parte del alumno. | 50 |
| Observaciones evaluación | |||
|
La/el estudiante deberá obtener una nota mínima de 4 sobre 10 puntos en la prueba objetiva y una nota mínima de 4 sobre 10 puntos en los trabajos tutelados. De no alcanzar esta nota mínima en alguno de dichos apartados, la nota de la materia será la menor de las dos. Cumplidos estos mínimos, se deberá alcanzar una nota mínima de 5 sobre 10 para superar la asignatura. Las entregas correspondientes a todos los trabajos tutelados en las fechas indicadas es obligatoria para aprobar la asignatura. Un/una estudiante se considerará presentado/a en una convocatoria si hace entrega de los trabajos tutelados o si se presenta a la prueba objetiva. El trabajo entregado deberá ser original del/de la estudiante. De acuerdo al artículo 14, apartado 4, de la normativa*, la entrega de trabajos no originales o con partes duplicadas (sea por copias entre compañeros o por obtención de otras fuentes...) llevará una nota global de SUSPENSO en la convocatoria correspondiente, tanto para el/la estudante que presente material copiado como a quien lo haya facilitado, invalidando calquier otra calificación obtenida en las actividades evaluables. * Normativa de evaluación, revisión y reclamación de las calificaciones de los estudios de grado y máster universitario, aprobada por el Consejo de Goberno de la Universidade da Coruña el 19 de diciembre de 2013. Sobre la responsabilidad compartida de los traballos en grupo. En las actividades que se llevan a cabo en grupos, tales como los trabajos tutelados, todos los miembros del grupo serán responsables solidarios del trabajo realizado y entregado, así como de las consecuencias que se deriven del incumplimiento de las normas de autoría del mismo. Segunda oportunidad y convocatorias posteriores En la segunda oportunidad, se mantiene la nota obtenida en los trabajos tutelados. Aquellos/as estudiantes que tengan que incurrir en esta oportunidad deberán realizar la prueba objetiva con los mismos criterios de evaluación que en la primera oportunidad. Opcionalmente, con respecto a las prácticas, se habilitará una entrega adicional para un trabajo. La calificación de este trabajo sustituirá a la nota de los trabajos tutelados de la primera oportunidad. La entrega de un nuevo trabajo implica la pérdida de la calificación anterior independientemente de que ésta fuera superior. La parte correspondiente a las prácticas de laboratorio no se podrá recuperar ya que es fruto de la evaluación continua del trabajo durante los créditos de la materia. En caso de suspender la asignatura, los trabajos tutelados con nota igual o superior a 5 se guardarán para cursos posteriores con calificación de aprobado (5). En cada curso, el/la estudiante tendrá la opción de entregar un nuevo trabajo tutelado que sustituirá la nota de la anterior. Los trabajos no se guardarán más de un curso. Matrícula con dispensa académica Para estudiantes con matrícula con dispensa académica los trabajos tutelados deberán entregarse en las fechas establecidas. Es responsabilidad de dichos/as estudiantes poner en conocimiento del profesor su circunstancia. Tutorías A mayores, las tutorias se consideran una parte importante dentro del desarrollo de la asignatura. Están orientadas de tal manera que las/los estudiantes tengan y/o puedan consultar distintas cuestiones como: 1. Posibilidades de desarrollo profesional 2. Problemas en el desarrollo de las prácticas 3. Maneras de enfocar/organizar las prácticas 4. Resolución de dudas sobre las cuestiones teóricas. Se pedirá a las/los estudantes que soliciten cita a los/las profesores/as responsables para realizar videollamadas por Teams o reuniones presenciales dentro de los horarios de tutorías del profesorado establecido en espazos.udc.es. |
|||
| Fuentes de información |
| Básica |
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 |
|
|
|
| Complementária |
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 |
|
El libro Dive in Deep Learning se puede obtener gratuitamente en http://d2l.ai/ |
| Recomendaciones | ||||
| Asignaturas que se recomienda haber cursado previamente | ||||
|
| Asignaturas que se recomienda cursar simultáneamente |
| Asignaturas que continúan el temario | |||
|
| Otros comentarios | |