Redes Neuronales y Deep Learning

Créditos
6
Tipos
Obligatoria
Requisitos
Esta asignatura no tiene requisitos , pero tiene capacidades previas
Departamento
CS
El objetivo del aprendizaje automático es desarrollar métodos que permitan a los sistemas aprender de los datos y mejorar su rendimiento en condiciones de incertidumbre. Las redes neuronales y el aprendizaje profundo son áreas clave del aprendizaje automático que utilizan modelos inspirados en el cerebro humano. Al organizar neuronas artificiales en capas, estos modelos pueden aprender patrones y representaciones de los datos, mientras que el aprendizaje profundo permite la solución de problemas más complejos.

Este curso presenta los conceptos fundamentales de las redes neuronales y el aprendizaje profundo, incluyendo arquitecturas básicas, algoritmos de aprendizaje y aplicaciones prácticas, proporcionando a los estudiantes las bases necesarias para comprender y aplicar estos métodos.

Profesorado

Responsable

Otros

Horas semanales

Teoría
2
Problemas
0
Laboratorio
2
Aprendizaje dirigido
0
Aprendizaje autónomo
6

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

    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 y VAEs.
      Máquinas de vectores soporte.
      Redes convolucionales.
    4. Redes neuronales avanzadas
      Redes de Hopfield.
      Redes neuronales para grafos.

    Actividades

    Actividad Acto evaluativo


    Clases teóricas

    Desenvolupament de les classes teòriques en les hores assignades. Es tracta de classes eminentment magistrals recolzades per projeccions i pissarra.
    Objetivos: 1 2 3 4
    Contenidos:
    Teoría
    28h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    35h

    Clases de laboratorio

    Ejemplos de aplicación de los conceptos vistos en las clases de teoría. Explicaciones relativas a o els llenguatges de programació triats. Explicacions addicionals relevants per l'assignatura: bone pràctiques, metodologia experimental, etc.
    Objetivos: 1 4
    Contenidos:
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    28h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    25h

    Examen Parcial

    Examen parcial (a mediados de cuatrimestre) que cubre todo el temario visto hasta ese momento, o algo antes, a criterio del profesor. El examen se realizará en aula de laboratorio y puede consistir en preguntas de teoría, metodológicas o prácticas.
    Objetivos: 1 2 3
    Semana: 9 (Fuera de horario lectivo)
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    Examen final

    Examen final (en época de exámenes finales) que cubre todo el temario visto en la asignatura. El examen se realizará en aula de teoría y puede consistir en preguntas de teoría o metodológicas.
    Objetivos: 1 2 3 4
    Semana: 15 (Fuera de horario lectivo)
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    Práctica de la asignatura

    Desarrollo de un trabajo práctico donde demostrar que se saben aplicar los conceptos, métodos y técnicas propios de la asignatura.
    Objetivos: 1 4
    Contenidos:
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    30h

    Metodología docente

    El curso profundiza en uno de los paradigmas de aprendizaje automático más importantes en la actualidad: las redes neuronales artificiales, con una sólida base en probabilidad, estadística y matemáticas. La teoría se introduce en clases magistrales en las que el profesor expone los conceptos. Estos conceptos se ponen en práctica en las clases de laboratorio, donde el alumno aprende a desarrollar soluciones de aprendizaje automático a problemas reales de cierta complejidad. Los estudiantes deben trabajar y entregar un proyecto al final del curso.

    Método de evaluación

    El curso se califica de la siguiente manera:

    P = Nota del examen (control) parcial
    F = Nota del examen final
    T = Nota de los trabajos prácticos

    Nota exámenes = 0.6F+0.4P si F< P ó F=P
    F si F>P

    Nota final = 40% T + 60% Nota exámenes

    Reevaluación: sólo se pueden presentar en la reevaluación aquellas personas que, habiéndose presentado en el examen final (no vale un NP), tengan una nota exámenes menor a 4. La nota máxima de exámenes que se puede obtener en la reevaluación es un 7.

    Bibliografía

    Básico

    Capacidades previas

    Conocimiento de aprendizaje automática y algoritmos básicos de la IA.