Redes Neuronales y Deep Learning

• Profesorado
• Horas semanales
• Competencias
• Objetivos
• Contenidos
• Actividades
• Metodología docente
• Método de evaluación
• Bibliografía
• Capacidades previas

Profesorado

Responsable

• Luis Antonio Belanche Muñoz ( )

Otros

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

Horas semanales

Competencias

Competencias Transversales

Transversales

• CT5 [Avaluable] - Uso solvente de los recursos de información. Gestionar la adquisición, la estructuración, el análisis y la visualización de datos e información en el ámbito de especialidad y valorar de forma crítica los resultados de dicha gestión.

Básicas

• CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.

Competencias Técnicas

Específicas

• CE01 - Resolver los problemas matemáticos que puedan plantearse en el ámbito de la inteligencia artificial. Aplicar los conocimientos sobre: álgebra, cálculo diferencial e integral y métodos numéricos; estadística y optimización.
• CE12 - Dominar los principios fundamentales y modelos de la computación y saberlos aplicar para interpretar, seleccionar, valorar, modelar, y crear nuevos conceptos, teorías, usos y desarrollos tecnológicos relacionados con la inteligencia artificial.
• CE13 - Evaluar la complejidad computacional de un problema, identificar estrategias algorítmicas que puedan conducir a su resolución y recomendar, desarrollar e implementar aquella que garantice el mejor rendimiento de acuerdo con los requisitos establecidos.
• CE15 - Adquirir, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación,percepción y actuación en ambientes o entornos inteligentes.
• CE18 - Adquirir y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.
• CE20 - Elegir y emplear técnicas de modelización estadística y análisis de datos, evaluando la calidad de los modelos, validándolos e interpretándolos.
• CE26 - Diseñar y aplicar técnicas de procesado y análisis de imágenes y visión por computador en el ámbito de la inteligencia

Competencias Técnicas Genéricas

Genéricas

• CG4 - Razonar, analizando la realidad y diseñando algoritmos y formulaciones que la modelen. Identificar problemas y construir soluciones algorítmicas o matemáticas válidas, eventualmente nuevas, integrando el conocimiento multidisciplinar necesario, valorando distintas alternativas con espíritu crítico, justificando las decisiones tomadas, interpretando y sintetizando los resultados en el contexto del dominio de aplicación y estableciendo generalizaciones metodológicas a partir de aplicaciones concretas.
• CG8 - Observar un ejercicio ético de la profesión en todas sus facetas, aplicando criterios éticos en el diseño de sistemas,algoritmos, experimentos, utilización de datos, de acuerdo con los sistemas éticos recomendados por los organismos nacionales e internacionales, con especial énfasis en seguridad, robustez, privacidad, transparencia, trazabilidad, prevención de sesgos (de raza, género, religión, territorio, etc.) y respeto a los derechos humanos.
• CG9 - Afrontar nuevos retos con una visión amplia de las posibilidades de la carrera profesional en el ámbito de la Inteligencia Artificial. Desarrollar la actividad aplicando criterios de calidad y mejora continua, y actuar con rigor en el desarrollo profesional. Adaptarse a los cambios organizativos o tecnológicos. Trabajar en situaciones de carencia de información y/o con restricciones temporales y/o de recursos.

Objetivos

1. Saber identificar un problema de análisis de datos y resolverlo de principio a fin (end to end)
   Competencias relacionadas: CG4, CG8, CG9, CT5, CE13, CE15,
2. Conèixer els fonaments teòrics de les xarxes neuronals com a models d'aprenentatge automatic
   Competencias relacionadas: CE26, CG4, CE01, CE12, CE13, CE18, CE20,
3. Conocer y comprender los ámbitos de aplicación de las redes neuronales y saber desarrollar soluciones a problemas concretos
   Competencias relacionadas: CG9, CE12, CE15, CE18,
4. Saber diseñar soluciones para problemas relacionados con el lenguaje, la imagen o el sonido
   Competencias relacionadas: CE26, CG4, CG8, CG9, CT5, CB3, CE13, CE15, CE18,

Contenidos

1. Conceptos generales de aprendizaje automático
   Repaso a los conceptos teóricos generales de aprendizaje automático. El aprendizaje como problema de optimización. Interpretación bayesiana del problema de aprendizaje. Modelos lineales generalizados.
2. Fundamentos de las redes neuronales artificiales.
   Fundamentos de las redes neuronales artificiales. Conceptos biológicos básicos. Modelo McCulloch-Pitts. Implicaciones cognitivas y computacionales. Redes de Lippmann. Funciones de pérdida, funciones de activación.
3. Redes neuronales feed-forward
   Redes neuronales feed-forward.
   Redes lineales (I): el Perceptrón.
   Redes lineales (II): la regla Delta.
   Perceptrones multicapa y retropropagación.
   Descenso de gradientes y variantes.
   Otros optimizadores: pseudo-Newton, CG, Rprop.
   Redes de funciones de base radial.
   Autoencoders.
   Máquinas de vectores soporte.
   Redes convolucionales.
   Buenas prácticas experimentales.
4. Redes neuronales recurrentes
   Redes neuronales recurrentes. Redes de Hopfield.
   Redes asociativas bidireccionales.
   Redes de memoria a corto plazo (LSTM).

Actividades

Actividad Acto evaluativo

Metodología docente

Método de evaluación

Bibliografía

Básica:

• Pattern recognition and machine learning - Bishop, Christopher M, Springer, cop. 2006. ISBN: 0387310738
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003157379706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Deep learning - Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron, MIT Press, 2016. ISBN: 9780262035613
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004107709706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Neural networks and deep learning : a textbook - Aggarwal, Charu C, Springer, 2018. ISBN: 9783319944623
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004184409706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Neural networks and learning machines - Haykin, Simon S, Prentice Hall, cop. 2009. ISBN: 9780131471399
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003533949706711&context=L&vid=34CSUC_UPC:VU1&lang=ca

Capacidades previas