Aprendizaje Profundo

Usted está aquí

Inicio » Estudios » Grados » Grado en Inteligencia Artificial » Plan de estudios » Asignaturas » Aprendizaje Profundo
Créditos
4.5
Tipos
Optativa
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
BSC;CS
Esta asignatura pretende familiarizar al alumno con los aspectos prácticos de las técnicas de Deep Learning (DL). En las clases de teoría se refrescarán los conceptos básicos de DL (CNNs, etc.), asumiendo cierto conocimiento previo. También se introducirán las arquitecturas más populares, así como configuraciones de redes que se han demostrado útiles para problemas concretos. En la parte práctica, el alumno deberá realizar experimentos usando librerías de DL, y experimentando con los diversos componentes que se han propuesto en el campo.

Profesorado

Responsable

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

Otros

  • Caroline König ( )

Horas semanales

Teoría
2
Problemas
0
Laboratorio
0.3
Aprendizaje dirigido
0.3
Aprendizaje autónomo
8

Competencias

Competencias Técnicas de cada especialidad

Profesionales

  • CEP3 - Capacidad de aplicación de las técnicas de Inteligencia Artificial en entornos tecnológicos e industriales para la mejora de la calidad y la productividad.
  • CEP4 - Capacidad para disenar, redactar y presentar informes sobre proyectos informaticos en el area especifica de Inteligencia Artificial.

Competencias Transversales

Razonamiento

  • CT6 - Capacidad de evaluar y analizar de manera razonada y critica sobre situaciones, proyectos, propuestas, informes y estudios de caracter cientifico-tecnico. Capacidad de argumentar las razones que explican o justifican tales situaciones, propuestas, etc.

Analisis y sintesis

  • CT7 - Capacidad de analisis y resolucion de problemas tecnicos complejos.

Objetivos

  1. Entender las varias técnicas que se pueden integrar en un sistema deep learning, y saber experimentar con ellas de manera coherente en un entorno de producción realista mediante el uso de librerías de terceros.
    Competencias relacionadas: CT7, CEP3,
  2. Ser capaz de entender artículos científicos del área del deep learning, de extraer las conclusiones más relevantes, y de derivar posibles aplicaciones o limitaciones.
    Competencias relacionadas: CT6, CEP4,

Contenidos

  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.

Actividades

Actividad Acto evaluativo


Experimentación práctica

Experimentación mediante librerias de deep learning, y el reporte de las conclusiones más relevantes.
Objetivos: 1
Semana: 13
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
2.6h
Aprendizaje autónomo
15h

Comprensión teórica

Leer un artículo relevante del campo del deep learning, describir y presentar las principales contribuciones, asi como posibles líneas de trabajo futuro o limitaciones del mismo.
Objetivos: 2
Semana: 13
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
2h
Aprendizaje autónomo
9h

Revisión del Multilayer Perceptron y de las Convolutional Neural Networks



Teoría
3h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
3h

Laboratorio en Multilayer Perceptron y Convolutional Neural Networks



Teoría
0h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
9h

Revisión de los Neural Embedding Spaces



Teoría
3h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
3h

Laboratorio en Neural Embedding Spaces



Teoría
0h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
9h

Metodología docente

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.

Método de evaluación

This subject will be evaluated taking into account the theoretical and practical aspects:
P1: grade of practical 1
P2: grade of practical 2
E: grade of the exam

The final grade will be computed as: 0.4 * P1 + 0.4 * P2 + 0.2 * E

Bibliografía

Básica:

Capacidades previas

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.