Xarxes Neuronals i Deep Learning

Esteu aquí

Inici » Estudis » Graus » Grau en Intel·ligència Artificial » Pla d'estudis » Assignatures » Xarxes Neuronals i Deep Learning
Crèdits
6
Tipus
Obligatòria
Requisits
Aquesta assignatura no té requisits, però té capacitats prèvies
Departament
CS
L'objectiu de l'aprenentatge automàtic ("machine learning", en anglès) és el desenvolupament de teories, tècniques i algorismes que permetin a un sistema modificar el seu comportament a través de l'observació de dades que representen informació incompleta sobre un procés o fenomen natural subjecte a incertesa estadística. L'aprenentatge automàtic és un punt de trobada de diferents disciplines: l'estadística multivariant, l'algorísmia i l'optimització matemàtica, entre d'altres.

L'assignatura estudia diverses tècniques modernes d'aprenentatge no lineal, aprofundint en xarxes neuronals clàssiques i profundes de varis tipus. També pretén oferir una visió unificada de la disciplina i les seves perspectives de futur.

Professorat

Responsable

  • Luis Antonio Belanche Muñoz ( )

Altres

  • Anna Arias Duart ( )
  • Daniel Hinjos García ( )
  • Dario García Gasulla ( )

Hores setmanals

Teoria
2
Problemes
0
Laboratori
2
Aprenentatge dirigit
0
Aprenentatge autònom
6

Competències

Competències Transversals

Transversals

  • CT5 [Avaluable] - Ús solvent dels recursos d'informació. Gestionar l'adquisició, l'estructuració, l'anàlisi i la visualització de dades i informació en l'àmbit de l'especialitat i valorar de forma crítica els resultats d'aquesta gestió.

Bàsiques

  • CB3 - Que els estudiants tinguin la capacitat de reunir i interpretar dades rellevants (normalment dins la seva àrea d'estudi) per emetre judicis que incloguin una reflexió sobre temes rellevants d'índole social, científica o ètica.

Competències Tècniques

Específiques

  • CE01 - Resoldre els problemes matemàtics que puguin plantejar-se en l'àmbit de la intel·ligència artificial. Aplicar els coneixements sobre: àlgebra, càlcul diferencial i integral i mètodes numèrics; estadística i optimització.
  • CE12 - Dominar els principis fonamentals i models de la computació i saber-los aplicar per a interpretar, seleccionar, valorar, modelar, i crear nous conceptes, teories, usos i desenvolupaments tecnològics relacionats amb la intel·ligència artificial.
  • CE13 - Avaluar la complexitat computacional d'un problema, identificar estratègies algorítmiques que puguin conduir a la seva resolució i recomanar, desenvolupar i implementar aquella que garanteixi el millor rendiment d'acord amb els requisits establerts.
  • CE15 - Adquirir, formalitzar i representar el coneixement humà en una forma computable per a la resolució de problemes mitjançant un sistema informàtic en qualsevol àmbit d'aplicació, particularment els relacionats amb aspectes de computació, percepció i actuació en ambients o entorns intel·ligents.
  • CE18 - Adquirir i desenvolupar tècniques d'aprenentatge computacional i dissenyar i implementar aplicacions i sistemes que les utilitzin, incloent les dedicades a extracció automàtica d'informació i coneixement a partir de grans volums de dades.
  • CE20 - Triar i emprar Tècniques de Modelització estadística i anàlisi de dades, avaluant la calidad dels models, validant-i interpretant.
  • CE26 - Dissenyar i aplicar tècniques de processat i anàlisi d'imatges i visió per computador en l'àmbit de la intel·ligència artificial i la robòtica

Competències Tècniques Generals

Genèriques

  • CG4 - Raonar, analitzant la realitat i dissenyant algoritmes i formulacions que la modelin. Identificar problemes i construir solucions algorísmiques o matemàtiques vàlides, eventualment noves, integrant el coneixement multidisciplinari necessari, valorant diferents alternatives amb esperit crític, justificant les decisions preses, interpretant i sintetitzant els resultats en el context de l'domini d'aplicació i establint generalitzacions metodològiques a partir de aplicacions concretes.
  • CG8 - Observar un exercici ètic de la professió en totes les seves facetes, aplicant criteris ètics en el disseny de sistemes, algoritmes, experiments, utilització de dades, d'acord amb els sistemes ètics recomanats pels organismes nacionals i internacionals, amb especial èmfasi en seguretat, robustesa , privacitat, transparència, traçabilitat, prevenció de biaixos (de raça, gènere, religió, territori, etc.) i respecte als drets humans.
  • CG9 - Afrontar nous reptes amb una visió àmplia de les possibilitats de la carrera professional en l'àmbit de la Intel·ligència Artificial. Desenvolupar l'activitat aplicant criteris de qualitat i millora contínua, i actuar amb rigor en el desenvolupament professional. Adaptar-se als canvis organitzatius o tecnològics. Treballar en situacions de carència d'informació i/o amb restriccions temporals i/o de recursos.

Objectius

  1. Saber identificar un problema d'anàlisi de dades i resoldre'l de principi a fi (end to end)
    Competències relacionades: CG4, CG8, CG9, CT5, CE13, CE15,
  2. Conèixer els fonaments teòrics de les xarxes neuronals com a models d'aprenentatge automàtic
    Competències relacionades: CE26, CG4, CE01, CE12, CE13, CE18, CE20,
  3. Conèixer i comprendre els àmbits d'aplicació de les xarxes neuronals i saber desenvolupar solucions a problemes concrets
    Competències relacionades: CG9, CE12, CE15, CE18,
  4. Saber dissenyar solucions per problemes relacionats amb el llenguatge, la imatge o el so
    Competències relacionades: CE26, CG4, CG8, CG9, CT5, CB3, CE13, CE15, CE18,

Continguts

  1. Conceptes generals d'aprenentatge automàtic
    Repàs als conceptes teòrics generals d'aprenentatge automàtic. L'aprenentatge com a problema d'optimització. Interpretació bayesiana del problema d'aprenentatge. Models lineals generalitzats.
  2. Fonaments de les xarxes neuronals artificials.
    Fonaments de les xarxes neuronals artificials. Conceptes biològics bàsics. Model McCulloch-Pitts. Implicacions cognitives i computacionals. Xarxes de Lippmann. Funcions de pèrdua, funcions d'activació.
  3. Xarxes neuronals feed-forward
    Xarxes neuronals feed-forward.
    Xarxes lineals (I): el Perceptró.
    Xarxes lineals (II): la regla Delta.
    Perceptrons multicapa i retropropagació.
    Descens de gradients i variants.
    Altres optimitzadors: pseudo-Newton, CG, Rprop.
    Autoencoders.
    Xarxes de funcions de base radial.
    Màquines de vectors suport.
    Xarxes convolucionals.
    Bones pràctiques experimentals.
  4. Xarxes neuronals recurrents
    Xarxes neuronals recurrents. Xarxes de Hopfield.
    Xarxes associatives bidireccionals.
    Xarxes de memòria a curt termini (LSTM).

Activitats

Activitat Acte avaluatiu


Classes teòriques

Desenvolupament de les classes teòriques en les hores assignades. Es tracta de classes eminentment magistrals recolzades per projeccions i pissarra.
  • Aprenentatge autònom: Hores estimades dedicades a estudiar el material de les classes de teoria.
Objectius: 1 2 3 4
Continguts:
Teoria
28h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
35h

Classes de laboratori

Exemples d'aplicació dels conceptes vistos a les classes de teoria. Explicacions relatives a o els llenguatges de programació triats. Explicacions addicionals rellevants per l'assignatura: bones pràctiques, metodologia experimental, etc.
  • Aprenentatge autònom: Hores estimades dedicades a estudiar el material de les classes de laboratori.
Objectius: 1 4
Continguts:
Teoria
0h
Problemes
0h
Laboratori
28h
Aprenentatge dirigit
0h
Aprenentatge autònom
25h

Examen parcial

Examen parcial (a mitjans de quadrimestre) que cobreix tot el temari vist fins aquell moment, o una mica abans, a criteri del professor. L'examen es farà en aula de laboratori i pot consistir en preguntes de teoria, metodològiques o pràctiques.
Objectius: 1 2 3
Setmana: 9 (Fora d'horari lectiu)
Tipus: examen de laboratori
Teoria
0h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Examen final

Examen final (en època d'exàmens finals) que cobreix tot el temari vist a l'assignatura. L'examen es farà en aula de teoria i pot consistir en preguntes de teoria o metodològiques.
Objectius: 1 2 3 4
Setmana: 15 (Fora d'horari lectiu)
Tipus: examen de teoria
Teoria
2h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Pràctica de l'assignatura

Desenvolupament d'un treball pràctica on demostrar que es saben aplicar els conceptes, mètodes i tècniques propis de l'assignatura.
  • Aprenentatge autònom: Hores estimades dedicades a realitzar la pràctica de l'assignatura.
Objectius: 1 4
Continguts:
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
30h

Metodologia docent

El curs aprofundeix en un dels paradigmes d'aprenentatge automàtic més importants avui dia: les xarxes neuronals artificials, amb una base sòlida en probabilitat, estadística i matemàtiques. La teoria s'introdueix a classes magistrals on el professor exposa els conceptes. Aquests conceptes es posen en pràctica a les classes de laboratori, on l'alumne aprèn a desenvolupar solucions d'aprenentatge automàtic a problemes reals de certa complexitat. Els estudiants han de treballar i lliurar un projecte al final del curs.

Mètode d'avaluació

El curs es qualifica de la següent manera:

P = Nota de l'examen (control) parcial
F = Nota de l'examen final
T = Nota del treball pràctic

Nota final = 40% T + 40% F + 20% P

Reavaluació:

Només es pot presentar a l'examen de reavaluació qui prèviament s'hagi presentat a l'examen final i l'hagi suspès (no val un NP).

Bibliografia

Bàsica:

Capacitats prèvies

Coneixement d'aprenentatge automàtica i algorismes bàsics de la IA.