template-browser-not-supported

Grado en Ciencia e Ingeniería de Datos

Atrás Atrás

Aprendizaje Profundo

Código asignatura
GCINGD01-3-003
Curso
Tercero
Temporalidad
Primer Semestre
Carácter
Obligatoria
Créditos
6
Pertenece al itinerario Bilingüe
No
Actividades
  • Prácticas de Laboratorio (14 Horas)
  • Docencia On Line (30 Horas)
  • Clases Expositivas (16 Horas)
Guía docente

La asignatura Aprendizaje Profundo (AP) se imparte durante el primer semestre del tercer curso y forma parte de la materia Análisis y Visualización de Datos, junto a otras asignaturas del tercer curso como Visualización de la información, Modelos Bayesianos, Análisis y recuperación de la información textual o Visión Artificial.

El objetivo de esta asignatura es que el alumno comprenda y sepa aplicar los fundamentos y las técnicas básicas del aprendizaje profundo (“deep learning”), a problemas reales, incluyendo las principales arquitecturas de redes neuronales, la selección y optimización de hiperparámetros, la evaluación del rendimiento de los modelos, la selección y preprocesamiento de los datos, y la interpretación de los resultados.

Para afrontar esta asignatura es recomendable que el alumnado haya adquirido las competencias abordadas en las asignaturas de los dos cursos previos. En concreto se considera de especial importancia que el alumno tenga bien asentados los conceptos impartidos en las asignaturas de matemáticas (Algebra y Cálculo I) y de programación (Metodología de la programación y Programación Avanzada).

Se espera que mediante esta asignatura el alumnado adquiera una serie de Competencias Básicas y Generales comunes a todo el Grado en Ciencia e Ingeniería de Datos y otras Competencias Específicas más vinculadas a los contenidos de la asignatura.

Esta asignatura contribuye a la adquisición de las siguientes competencias básicas:

CB2

Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.

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.

CB4

Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.

Esta asignatura también contribuye a adquirir las siguientes competencias generales:

CG01

Elegir y aplicar los métodos y técnicas más adecuados para analizar y resolver problemas definidos por datos que representen un reto por su volumen, velocidad, variedad o heterogeneidad, incluidos métodos informáticos, matemáticos, estadísticos y de procesado de la señal.

CG02

Tener las habilidades experimentales y analíticas para trabajar con autonomía siendo capaz de plantear experimentos y de describir, analizar, evaluar e interpretar la información resultante para proponer soluciones alternativas y novedosas frente a problemas conocidos y/o emergentes.

CG03

Crear modelos y tomar decisiones basadas en los datos disponibles combinando los conocimientos adquiridos y siendo capaz de aplicar otros nuevos para la resolución de problemas.

CG04

Capacidad de integrarse en un equipo multidisciplinar en el marco de un proyecto de ciencia de datos.

CG08

Conocer y aplicar los aspectos éticos y legales relacionados con el tratamiento de los

datos y la aplicación del conocimiento obtenido.

CG09

Capacidad para expresar los resultados del procesamiento de datos de manera clara y convincente tanto por escrito como oralmente.

Las competencias específicas son las siguientes:

CE09

Construcción de sistemas de aprendizaje automático utilizando técnicas básicas y avanzadas, para construir sistemas inteligentes a partir de conjuntos de datos.

Los resultados de aprendizaje que el alumnado alcanzará tras cursar la asignatura son los siguientes:

RAP1

Comprender los fundamentos de los mecanismos de aprendizaje propios de las redes neuronales (optimizadores, regularización, hiperparámetros).

RAP2

Construir redes neuronales capaces de aprender a resolver problemas de clasificación y regresión.

RAP3

Elegir la arquitectura de red neuronal y la función de pérdida adecuadas en cada caso, dependiendo del problema que se aborde.

RAP4

Conocer las funciones de activación más habituales y comprender su impacto en el proceso de aprendizaje.

RAP5

Comprender el funcionamiento de las redes convolucionales y las redes recurrentes, así como sus aplicaciones.

RAP6

Resolver tareas de aprendizaje mediante el uso de redes neuronales profundas.

Tema 1. Introducción al aprendizaje profundo

  • Conceptos básicos

  • Diferencias con el aprendizaje automático tradicional

  • Principales aplicaciones

  • Principales frameworks para el aprendizaje profundo

Tema 2. Fundamentos de las redes neuronales profundas

  • Concepto de perceptrón. MLP

  • Descenso del gradiente y backpropagation

  • Modelado de relaciones no lineales. Funciones de activación no lineales

  • Vanishing y exploding gradient

Tema 3. Entrenamiento de redes neuronales profundas

  • Preprocesado de datos

  • Funciones de pérdida

  • Algoritmos de optimización

  • Regularización y sobreajuste

  • Inicialización de pesos

  • Selección de hiperparámetros

Tema 4. Arquitecturas y aplicaciones de las redes neuronales profundas

  • Redes neuronales Feed-forward

  • Redes convolucionales (CNN)

  • Redes recurrentes (RNN)

  • Redes Neuronales Generativas Adversarias (GAN)

  • Atención y transformers

  • Autoencoders

  • Aplicaciones: visión artificial, procesamiento del lenguaje natural, etc.

Trabajo presencial

Trabajo no presencial

Trabajo personal

Temas

Horas
 totales

Clase
 Expositiva

Prácticas de
 laboratorio

Evaluación

Total

Clase
 Expositiva

Prácticas de
 laboratorio

Total

Estudio
 individual

Total

Tema 1

15

2

1

3

1

1

2

10

10

Tema 2

39

4

3

7

3

4

7

25

25

Tema 3

49

4

4

8

5

6

11

30

30

Tema 4

43

4

4

8

5

5

10

25

25

Evaluación

4

4

4

Total

150

14

12

4

30

14

16

30

90

90

Modalidades

Horas

%

Totales

Presencial

Clases expositivas

14

9.33%

30

Prácticas de laboratorio

12

8.00%

Sesiones de evaluación

4

2.67%

No presencial

Clases Expositivas

14

9.33%

30

Prácticas de laboratorio

16

10.67%

Personal

Estudio individual

90

60.00%

90

Total

150

En las clases expositivas se desarrollarán los principales conceptos de cada uno de los temas. En las prácticas de laboratorio se realizarán prácticas en un ordenador para ilustrar y consolidar los conocimientos sobre la materia y poner en práctica las habilidades y destrezas que se deben adquirir.

Para superar la asignatura es necesario cumplir unas exigencias mínimas. En caso de no cumplirse, la calificación final se calculará como el mínimo entre 4 y la nota obtenida aplicando las ponderaciones explicadas a continuación para cada convocatoria.

Convocatoria ordinaria

La calificación final en la convocatoria ordinaria se obtendrá haciendo la media ponderada de los instrumentos de evaluación que se enumeran a continuación:

  1. Asistencia y participación en seminarios (5%): Se evaluará mediante la participación en seminarios realizados durante las clases de teoría. 

  2. Actividades online (10%): Se contabilizará la participación en actividades a través del campus virtual, como pueden ser cuestionarios o exámenes tipo test, que se realizarán durante las horas correspondientes a las clases teóricas. 

  3. Exámenes de prácticas (45%): Durante el curso se realizarán dos exámenes de prácticas en horas de clase presencial. El peso del primer examen será de un 30% y el peso del segundo examen un 70%.

  4. Examen de teoría (40%): La parte teórica se evaluará mediante un examen final en la hora establecida por la escuela.

Para superar la asignatura es necesario obtener una nota igual o superior a 4 puntos sobre 10 en la Parte 3 y Parte 4. Las actividades de evaluación no realizadas o no entregadas se contabilizarán como cero. No obstante, si el peso total de estas actividades supone más del 50% de la nota total, la calificación final será “no presentado”.

Convocatorias extraordinarias

La evaluación extraordinaria se compondrá de:

  • Parte teórica: 50%. Examen teórico. 

  • Parte práctica: 50%. Consistirá en la realización de una práctica propuesta por los profesores junto a un examen práctico sobre la misma. 

Para superar la asignatura, se debe obtener una nota igual o superior a 4 puntos sobre 10 en ambos exámenes. Cuando se haya obtenido una calificación igual o superior a 5 durante la convocatoria ordinaria en la parte teórica o en la parte práctica, se podrá realizar la evaluación únicamente de la parte que no se haya superado previamente.

Evaluación diferenciada

Se rige por las mismas directrices que la evaluación en Convocatoria extraordinaria.

  • González-González, Pablo., Pérez-Nuñez, Pablo. Aprendizaje Profundo (Deep Learning).  https://pglez82.github.io/DeepLearningWeb/ 

  • Stevens, Eli, Luca Antiga, and Thomas Viehmann. Deep learning with PyTorch. Manning Publications, 2020.

  • Chollet, Francois. Deep learning with Python. Simon and Schuster, 2021.