Aprenentatge Profund

Esteu aquí

Inici » Estudis » Màsters » Màster en Intel·ligència Artificial » Pla d'estudis » Assignatures » Aprenentatge Profund
Crèdits
4.5
Tipus
Optativa
Requisits
Aquesta assignatura no té requisits, però té capacitats prèvies
Departament
BSC;CS
Aquesta assignatura pretén familiaritzar l'alumne amb els aspectes pràctics de les tècniques de Deep Learning (DL). En les classes de teoria es refrescaran els conceptes bàsics de DL (CNNs, etc.), assumint cert coneixement previ. També s'introduiran les arquitectures més populars, així com configuracions de xarxes que s'han demostrat útils per problemes concrets. En la part pràctica, l'alumne haurà de realitzar experiments usant llibreries de DL, i experimentant amb els diversos components que es s'han proposat al camp.

Professorat

Responsable

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

Altres

  • Caroline König ( )

Hores setmanals

Teoria
2
Problemes
0
Laboratori
0.3
Aprenentatge dirigit
0.3
Aprenentatge autònom
8

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: CT7, CEP3,
  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: CT6, CEP4,

Continguts

  1. Convolutional Neural Networks
    We will review the main aspects of CNNs. How they work, why, and how can they be improved.
  2. Transfer Learning
    We will review several ways in which neural network embeddings can be reused, the pros and cons.
  3. Generative Adversarial Networks
    We will review the main aspects of GANs. How they work, why, and how can they be improved.
  4. Transformer Networks
    We will review the main aspects of Transformer Networks. How they work, why, and how can they be improved.
  5. Diffusion Networks
    We will review the main aspects of DNs. How they work, why, and how can they be improved.
  6. Graph Neural Networks
    We will review the main aspects of GNNs. How they work, why, and how can they be improved.

Activitats

Activitat Acte avaluatiu


Experimentació pràctica.

Experimentació usant llibreries de deep learning, i reportar les conclusions més rellevants.
Objectius: 1
Setmana: 13
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
2.6h
Aprenentatge autònom
15h

Comprensió teórica

Llegir un article rellevant del camp del deep learning, descriure i presentar les principals contribucions, aixì com possibles linies de treball futur o limitacions del mateix.
Objectius: 2
Setmana: 13
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
2h
Aprenentatge autònom
9h

Revisió del Multilayer Perceptron i de les Convolutiona Neural Networks



Teoria
3h
Problemes
0h
Laboratori
3h
Aprenentatge dirigit
0h
Aprenentatge autònom
3h

Laboratori en Multilayer Perceptron i Convolutional Neural Networks



Teoria
0h
Problemes
0h
Laboratori
3h
Aprenentatge dirigit
0h
Aprenentatge autònom
9h

Revisió dels Neural Embedding Spaces



Teoria
3h
Problemes
0h
Laboratori
3h
Aprenentatge dirigit
0h
Aprenentatge autònom
3h

Laboratori en Neural Embedding Spaces



Teoria
0h
Problemes
0h
Laboratori
3h
Aprenentatge dirigit
0h
Aprenentatge autònom
9h

Metodologia docent

This subject has a theoretical component and a practice.
The theoretical component consists of face-to-face classes where the teacher will review concepts of Deep Learning, present applications, and other recent trends in the field. During the course, students may have to read and analyse articles from Deep Learning to demonstrate the knowledge learned.
The practical component is composed by two group practicals, where students will have to experiment with the various techniques of Deep Learning. Based on simple experiments, and using popular Deep Learning libraries (e.g., Keras, TensorFlow, Pytorch, ...), the students will test the effects of the various available techniques.
At the end of the course, there will be an exam.

Mètode d'avaluació

.

Bibliografia

Bàsica:

Capacitats prèvies

Basic concepts of neural networks (SGD, back-propagation, loss functions) and machine learning (classification, regression, evaluation methodologies) are required.
Students must be able to program autonomously (Python), to work on a remote server through a terminal (ssh, bash), and to interact with third-party libraries.