| Máster Universitario en Intelixencia Artificial |
 Asignaturas |
| Aprendizaje Profundo |
| Contenidos |
|
|
|
| Datos Identificativos | 2023/24 | |||||||||||||
| Asignatura | Aprendizaje Profundo | Código | 614544013 | |||||||||||
| Titulación |
|
|||||||||||||
| Descriptores | Ciclo | Periodo | Curso | Tipo | Créditos | |||||||||
| Máster Oficial | 2º cuatrimestre |
Primero | Optativa | 6 | ||||||||||
|
||||||||||||||
| Tema | Subtema |
| 1. Introducción al aprendizaje profundo | Aprendizaje superficial Aprendizaje profundo Bibliotecas de aprendizaje profundo Ejemplos |
| 2. Regularización y optimización en el aprendizaje profundo |
Introducción a la regularización Regularización vía datos Regularización vía modelo Regularización vía función objetivo Optimización |
| 3. Redes neuronales convolucionales (CNNs) |
Introducción a las CNNs Capa convolucional Capa de pooling Capa totalmente conectada Ejemplo de CNNs Modelos preentrenados Redes residuales Redes Inception Redes Xception |
| 4. Redes neuronales recurrentes (RNNs) |
Datos secuenciales Utilización de datos secuenciales sin recurrencia Redes recurrentes simples Redes LSTM Redes GRU Uso avanzado de las RNNs |
| 5. Autocodificadores |
Autocodificadores Autocodificadores variacionales |
| 6. Redes generativas antagónicas (GANs) |
Conceptos básicos Cómo entrenar GANs DCGAN y WGAN Cómo evaluar GANs Aplicaciones Variaciones de las GANs Desafíos de las GANs GANs avanzadas |
| 7. Modelos de difusión |
Introducción La teoría de los modelos de difusión Dos ejemplos de modelos de difusión Stable diffusion Stable diffusion en acción |
| 8. Aprendizaje por refuerzo |
Conceptos básicos Qué es el aprendizaje por refuerzo Métodos de solución |
| 9. Transformadores | Introducción Bloques transformadores Arquitecturas sólo codificador y sólo decodificador Arquitecturas codificador-decodificador Ejemplos de transformadores |
|
