Aprenentatge Profund

• Professorat
• Hores setmanals
• Competències
• Objectius
• Continguts
• Activitats
• Metodologia docent
• Mètode d'avaluació
• Bibliografia
• Capacitats prèvies

Professorat

Responsable

• Enrique Romero Merino ( )
• Luis Antonio Belanche Muñoz ( )

Altres

• Caroline König ( )

Hores setmanals

Competències

Competències Tècniques de cada especialitat

Professionals

• CEP3 - Capacitat d'aplicació de les tècniques d'Intel·ligència Artificial en entorns tecnològics i industrials per a la millora de la qualitat i la productivitat.
• CEP4 - Capacitat per dissenyar, redactar i presentar informes sobre projectes informaticos en l'area especifica d'Intel·ligència Artificial.

Competències Transversals

Raonament

• CT6 - Capacitat d'avaluar i analitzar de manera raonada i crítica sobre situacions, projectes, propostes, informes i estudis de caracter cientific-tecnic. Capacitat d'argumentar les raons que expliquen o justifiquen aquestes situacions, propostes, etc.

Analisis i sintesis

• CT7 - Capacitat d'anàlisi i resolució de problemes tècnics complexos.

Objectius

1. Entendre les varies técniques que es poden integrar en un sistema deep learning, i saber experimentar amb elles de manera coherent en un entorn de producció realista mitjançan't l'ús de llibreries de tercers.
   Competències relacionades: CEP3, CT7,
2. Ser capaç de entendre articles científics del àrea del deep learning, d'extreure'n les conclusions més rellevants, i de derivar-ne possibles aplicacions o limitacions.
   Competències relacionades: CEP4, CT6,

Continguts

1. Introduction and refresher
   Fundamental necessary concepts of ML will be reviewed, with special focus on those most influential to deep learning.
2. Convolutional Neural Networks
   We will review the main aspects of Convolutional Neural Networks. How they work, why, and how can they be improved.
3. Embeddings and autoencoders
   Autoencoders, Variational autoencoders, their modifications and uses. Embeddings. Transfer learning.
4. Few-shot and zero-shot learning
   Zero-shot learning (ZSL), One-Shot Learning (OSL), and Few-Shot Learning (FSL) as approaches to handling limited training data in machine learning
5. Diffusion Networks
   We will review the main aspects of Diffusion Networks. How they work, why, and how can they be used and trained.
6. Transformer Networks
   We will review the main aspects of Transformer Networks. How they work, why, and how can they be used and trained.
7. Graph Neural Networks
   We will review the main aspects of Graph Neural Networks. How they work, why, and how can they be used and trained.
8. Interpretability and related issues. Negative deep learning
   We discuss interpretability aspects of DL and related issues. How negative deep learning can affect performance.

Activitats

Activitat Acte avaluatiu

Metodologia docent

Mètode d'avaluació

Bibliografia

Bàsica:

• Deep learning - Goodfellow, I.; Bengio, Y.; Courville, A, The MIT Press, 2016. ISBN: 9780262035613
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004107709706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Deep learning : foundations and concepts - Bishop, Christopher M; Bishop, Hugh, Springer, [2024]. ISBN: 978-3031454677
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991005234379706711&context=L&vid=34CSUC_UPC:VU1
• Neural Networks and Deep Learning - Charu C. Aggarwal, Springer Nature Switzerland AG 2023, ISBN: 978-3-031-29644-4
  https://link.springer.com/book/10.1007/978-3-031-29642-0

Capacitats prèvies