Estudia
- Artes y humanidades
- Ciencias
- Ciencias de la salud
- Ciencias sociales y jurídicas
-
Ingeniería y arquitectura
- Doble Grado en Ingeniería Civil e Ingeniería de los Recursos Mineros y Energéticos
- Doble Grado en Ingeniería en Tecnologías y Servicios de Telecomunicación / Grado en Ciencia e Ingeniería de Datos
- Doble Grado en Ingeniería Informática del Software / Grado en Matemáticas
- Doble Grado en Ingeniería Informática en Tecnologías de la Información / Grado en Ciencia e Ingeniería de Datos
- Grado en Ciencia e Ingeniería de Datos
- Grado en Ingeniería Civil
- Grado en Ingeniería de los Recursos Mineros y Energéticos
- Grado en Ingeniería de Organización Industrial
- Grado en Ingeniería de Tecnologías Industriales
- Grado en Ingeniería de Tecnologías Mineras
- Grado en Ingeniería Eléctrica
- Grado en Ingeniería Electrónica Industrial y Automática
- Grado en Ingeniería en Geomática
- Grado en Ingeniería en Tecnologías y Servicios de Telecomunicación
- Grado en Ingeniería Forestal y del Medio Natural
- Grado en Ingeniería Forestal y del Medio Natural (En extinción)
- Grado en Ingeniería Informática del Software
- Grado en Ingeniería Informática en Tecnologías de la Información
- Grado en Ingeniería Mecánica
- Grado en Ingeniería Química
- Grado en Ingeniería Química Industrial
- Grado en Marina
- Grado en Náutica y Transporte Marítimo
- Información, acceso y becas
Aprendizaje Profundo
- Prácticas de Laboratorio (14 Horas)
- Docencia On Line (30 Horas)
- Clases Expositivas (16 Horas)
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 | Clase | Prácticas de | Evaluación | Total | Clase | Prácticas de | Total | Estudio | 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:
Asistencia y participación en seminarios (5%): Se evaluará mediante la participación en seminarios realizados durante las clases de teoría.
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.
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%.
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.