Cr茅ditos ECTS
Cr茅ditos ECTS: 6
Horas ECTS Criterios/Memorias
Horas de Tutor铆as: 1
Clase Expositiva: 30
Clase Interactiva: 20
Total: 51
Lenguas de uso
Castellano, Gallego
Tipo:
Materia Ordinaria Grado RD 1393/2007 - 822/2021
Departamentos:
Electr贸nica y Computaci贸n
脕谤别补蝉:
Ciencia de la Computaci贸n e Inteligencia Artificial
Centro
Escuela T茅cnica Superior de Ingenier铆a
Convocatoria:
Segundo semestre
Docencia:
Con docencia
惭补迟谤铆肠耻濒补:
Matriculable
Las redes neuronales son un m茅todo de aprendizaje autom谩tico supervisado. En esta materia se ense帽an los modelos de redes neuronales m谩s importantes, desde las redes cl谩sicas hasta las redes neuronales profundas, analizando los m茅todos de entrenamiento y sus aspectos te贸ricos y pr谩cticos. Tambi茅n se estudiar谩n las redes neuronales recurrentes para el procesamiento de informaci贸n secuencial. Adem谩s, se abordar谩n algunas de las aplicaciones m谩s exitosas de las redes neuronales profundas, entre ellas la visi贸n por computador mediante redes neuronales convolucionales.
罢贰翱搁脥础
Tema 1: Introducci贸n a las redes neuronales.
Tema 2: Redes neuronales convolucionales.
Tema 3: Redes neuronales recurrentes.
Tema 4: Transformadores.
Tema 5: Autocodificadores.
Tema 6: Redes generativas adversarias.
笔搁脕颁罢滨颁础厂
Se realizar谩n un conjunto de boletines de pr谩cticas relacionados con redes convolucionales; redes recurrentes y transformadores; y autocodificadores y redes generativas adversarias.
BIBLIOGRAF脥A B脕SICA
- A. Bosch Ru茅, J. Casas-Roma, T. Lozano Bag茅n (2019): Deep learning : principios y fundamentos.
- A. Zhang, Z.C. Lipton, A.J. Smola (2023): Dive into Deep Learning.
BIBLIOGRAF脥A COMPLEMENTARIA
- R. Atienza (2018): Advanced deep learning with Keras : apply deep learning techniques, autoencoders, GANs, variational autoencoders, deep reinforcement learning, policy gradients, and more.
- M. Phi (2018): Illustrated Guide to LSTM鈥檚 and GRU鈥檚 A step by step explanation by Michael Phi Towards Data Science.
- M. Steward (2019): Comprehensive Introduction to Autoencoders.
- X. Mao, Q. Li (2021): Generative Adversarial Networks for Image Generation. Springer.
- J. Langr, W. Bok (2019): GANs in Action: Deep Learning with Generative Adversarial Networks.
El alumnado adquirir谩 un conjunto de competencias gen茅ricas, otras asociadas espec铆ficamente a la Inteligencia Artificial, y otras m谩s transversales:
COMPETENCIAS B脕SICAS Y GENERALES
[CB2] Que el alumnado sepa aplicar sus conocimientos a su trabajo o vocaci贸n de una forma profesional y posea las competencias que suelen demostrarse mediante la elaboraci贸n y defensa de argumentos y la resoluci贸n de problemas dentro de su 谩rea de estudio.
[CB3] Que el alumnado tenga la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su 谩rea de estudio) para emitir juicios que incluyan una reflexi贸n sobre temas relevantes de 铆ndole social, cient铆fica o 茅tica.
[CB5] Que el alumnado desarrolle aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonom铆a.
[CG3] Capacidad para dise帽ar y crear modelos y soluciones de calidad basadas en Inteligencia Artificial y que sean eficientes, robustas, transparentes y responsables.
[CG4] Capacidad para seleccionar y justificar los m茅todos y t茅cnicas adecuadas para resolver un problema concreto, o para desarrollar y proponer nuevos m茅todos basados en Inteligencia Artificial.
[CG5] Capacidad para concebir nuevos sistemas computacionales y/o evaluar el rendimiento de sistemas existentes, que integren modelos y t茅cnicas de Inteligencia Artificial.
COMPETENCIAS ESPEC脥FICAS
[CE12] Conocer los fundamentos de los algortimos y modelos de lainteligencia artificial para la resoluci贸n de problemas de cierta
complejidad, entender su complejidad computacional y tener capacidad para dise帽ar nuevos modelos.
[CE15] Conocer y saber aplicar y explicar correctamente las t茅cnicas de validaci贸n de las soluciones de inteligencia artificial.
COMPETENCIAS TRANSVERSALES
[TR2] Capacidad de trabajo en equipo, en entornos interdisciplinarios y gestionando conflictos.
[TR4] Capacidad para introducir la perspectiva de g茅nero en los modelos, t茅cnicas y soluciones basadas en inteligencia artificial.
[TR5] Capacidad para desarrollar modelos, t茅cnicas y soluciones basadas en inteligencia artificial que sean 茅ticas, no discriminatorias y fiables.
Adem谩s, los resultados del aprendizaje ser谩n los siguientes:
Saber desarrollar y configurar diferentes arquitecturas de redes neuronales, seleccionando las m谩s adecuadas para los diferentes problemas a abordar.
Conocer la estructura y aplicaciones de las redes neuronales recurrentes y las convolucionales.
Conocer las diferentes herramientas para el desarrollo de redes de aprendizaje profundo.
La metodolog铆a de la ense帽anza est谩 dirigida a focalizar la materia sobre los aspectos te贸ricos y pr谩cticos de las redes neuronales y de las t茅cnicas y arquitecturas de aprendizaje profundo. El alumnado debe estar capacitado, por lo tanto, para entender las ventajas de estas t茅cnicas de aprendizaje autom谩tico y para desarrollar una soluci贸n a los diferentes problemas que se mostrar谩n. Teniendo esto en cuenta, se distinguen dos tipos de actividades de aprendizaje: clases magistrales y sesiones en grupos reducidos. As铆:
(1) Las clases magistrales (30 horas) est谩n dirigidas a explicar las caracter铆sticas de las redes neuronales y de las diferentes arquitecturas de aprendizaje profundo, haciendo especial 茅nfasis en las situaciones en las que deber铆an aplicarse dichas arquitecturas y en los conceptos y matem谩ticas que las soportan.
(2) Las sesiones pr谩cticas en grupos reducidos (20 horas) est谩n dirigidas a que el alumnado adquiera destreza en la implementaci贸n de las diferentes arquitecturas de aprendizaje profundo. Por ello es importante que en estas pr谩cticas se realice un conjunto de ejercicios en los que se prueben ese tipo de arquitecturas y se estudie el contexto en el cual deben aplicarse unas dadas las caracter铆sticas del problema a resolver. La asistencia a estas clases es OBLIGATORIA.
La evaluaci贸n de la materia tendr谩 lugar de dos formas diferentes, aunque complementarias, que pretenden evaluar la competencia en el dominio te贸rico y pr谩ctico de los conceptos de redes neuronales y aprendizaje profundo. Por otra parte, se distinguir谩 entre la evaluaci贸n de la oportunidad ordinaria y la de recuperaci贸n:
OPORTUNIDAD ORDINARIA
(1) Examen en el que se demostrar谩 el dominio de las redes neuronales y el aprendizaje profundo, incidiendo en las caracter铆sticas y problemas que resuelven cada una de las diferentes arquitecturas estudiadas a lo largo del curso. En este examen se deber谩 responder a un conjunto de cuestiones sobre el temario de la materia. Esta parte representar谩 el 60% de la nota final de la materia.
(2) Realizaci贸n de un conjunto de boletines en los que se demostrar谩 de manera pr谩ctica el dominio de los conceptos de redes neuronales y de las diferentes arquitecturas de aprendizaje profundo. Todos los boletines se realizar谩n de forma individual. Esta parte constituir谩 el 40% de la nota final de la materia. Por 煤ltimo, si se entreg贸 alguno de los boletines, se considerar谩 como presentado en la materia.
Cabe resaltar que para superar la materia DEBER脕 APROBARSE POR SEPARADO CADA PARTE.
OPORTUNIDAD DE RECUPERACI脫N
Los criterios de evaluaci贸n de las partes de teor铆a y pr谩ctica en la oportunidad de recuperaci贸n ser谩n exactamente los mismos que para la oportunidad ordinaria. Por lo tanto, adem谩s de superar el examen de teor铆a y los boletines, para poder superar la materia ser谩 necesario que se hubiera asistido a las sesiones pr谩cticas interactivas (con los criterios de asistencia indicados m谩s abajo).
CONTROL DE ASISTENCIA
Tal y como se coment贸 anteriormente, la asistencia a las sesiones pr谩cticas interactivas es obligatoria debido a que en ellas se abordan conceptos clave de la materia, y el control de esta asistencia se realizar谩 a trav茅s de hojas de firmas que se deber谩n completar al final de cada una de las sesiones. Adem谩s, si se asiste a menos del 80% de las sesiones pr谩cticas interactivas se considerar谩 que no se ha superado la materia.
En caso de realizaci贸n fraudulenta de ejercicios o pruebas, ser谩 de aplicaci贸n lo recogido en la Normativa de evaluaci贸n del rendimiento acad茅mico de los estudiantes y de revisi贸n de calificaciones. En aplicaci贸n de la Normativa de la ETSE sobre plagio (aprobada por la Junta de la ETSE el 19/12/2019), la copia total o parcial de alg煤n ejercicio de pr谩cticas o teor铆a supondr谩 el suspenso en las dos oportunidades del curso, con la calificaci贸n de 0,0 en ambos casos.
Tal y como se indic贸 anteriormente, la asistencia a las sesiones de pr谩cticas (20 horas) es obligatoria, siendo esta participaci贸n deber铆a ser activa para as铆 aprovechar de forma adecuada el tiempo, mientras que muy recomendable la asistencia a las sesiones de teor铆a (30 horas), ya que en ellas se introducen y explican los conceptos de la materia. Adem谩s de esto, se necesitar谩 un tiempo adicional para trabajar en los siguientes aspectos:
(1) Estudio aut贸nomo de los conceptos de las redes neuronales y el aprendizaje profundo (30 horas). El tiempo dedicado a este estudio no solo incluye el necesario para preparar el examen te贸rico, sino tambi茅n el tiempo que se precisa para entender los conceptos te贸ricos de la materia.
(2) Completar los ejercicios de los boletines (65 horas). Este tiempo es necesario para que se completen los ejercicios de los boletines que no se acaben en las sesiones de pr谩cticas. En este tiempo se podr谩 interiorizar la forma de resolver el problema expuesto en el ejercicio, en la medida en que en dichas sesiones se hace m谩s 茅nfasis en entender el problema y la forma general en la que se resolver谩, mientras que los detalles necesarios para completar los ejercicios deber谩n realizarse en el tiempo adicional de trabajo pr谩ctico.
(3) Estudio te贸rico de la materia (30). Este tiempo es necesario para la preparaci贸n del examen final como para asentar los conceptos te贸ricos a partir de los resultados y reflexi贸n realizada en los ejercicios de los boletines.
(4) Evaluaci贸n (5 horas). Ser谩 el tiempo dedicado a la evaluaci贸n tanto de las pr谩cticas como del propio examen de teor铆a.
Se recomienda que para el estudio de la parte te贸rica se aprovechen los contenidos de la parte pr谩ctica, en los cuales se programan y usan las redes neuronales y las arquitecturas de aprendizaje profundo propuestas. Esto deber铆a ayudar a establecer las relaciones entre los modelos matem谩ticos que dan soporte a estas t茅cnicas y su implementaci贸n pr谩ctica.
Los idiomas de impartici贸n de las clases expositivas e interactivas ser谩n el gallego y el castellano. Algunos de los contenidos de la materia podr谩n estar en ingl茅s.
Manuel Lama Penin
Coordinador/a- Departamento
- Electr贸nica y Computaci贸n
- 脕谤别补
- Ciencia de la Computaci贸n e Inteligencia Artificial
- 罢别濒茅蹿辞苍辞
- 881816427
- Correo electr贸nico
- manuel.lama [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Catedr谩tico/a de Universidad
Manuel Felipe Mucientes Molina
- Departamento
- Electr贸nica y Computaci贸n
- 脕谤别补
- Ciencia de la Computaci贸n e Inteligencia Artificial
- 罢别濒茅蹿辞苍辞
- 881816434
- Correo electr贸nico
- manuel.mucientes [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Catedr谩tico/a de Universidad
Daniel Cores Costa
- Departamento
- Electr贸nica y Computaci贸n
- 脕谤别补
- Ciencia de la Computaci贸n e Inteligencia Artificial
- Correo electr贸nico
- daniel.cores [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Profesor Ayudante Doctor LOU
Manuel Benda帽a G贸mez
- Departamento
- Electr贸nica y Computaci贸n
- 脕谤别补
- Ciencia de la Computaci贸n e Inteligencia Artificial
- Correo electr贸nico
- manuel.bendana.gomez [at] usc.es
- 颁补迟别驳辞谤铆补
- Predoutoral Ministerio
| Martes | |||
|---|---|---|---|
| 15:30-17:30 | Grupo /CLIL_02 | Gallego, Castellano | IA.S2 |
| Jueves | |||
| 10:00-11:00 | Grupo /CLE_01 | Gallego, Castellano | IA.01 |
| Viernes | |||
| 09:00-10:00 | Grupo /CLE_01 | Castellano, Gallego | IA.01 |
| 02.06.2025 16:00-20:00 | Grupo /CLIL_01 | IA.11 |
| 02.06.2025 16:00-20:00 | Grupo /CLIL_02 | IA.11 |
| 02.06.2025 16:00-20:00 | Grupo /CLE_01 | IA.11 |
| 02.06.2025 16:00-20:00 | Grupo /CLIL_02 | IA.12 |
| 02.06.2025 16:00-20:00 | Grupo /CLE_01 | IA.12 |
| 02.06.2025 16:00-20:00 | Grupo /CLIL_01 | IA.12 |
| 02.06.2025 16:00-20:00 | Grupo /CLE_01 | IA.13 |
| 02.06.2025 16:00-20:00 | Grupo /CLIL_01 | IA.13 |
| 02.06.2025 16:00-20:00 | Grupo /CLIL_02 | IA.13 |
| 11.07.2025 16:00-20:00 | Grupo /CLE_01 | IA.11 |
| 11.07.2025 16:00-20:00 | Grupo /CLIL_01 | IA.11 |
| 11.07.2025 16:00-20:00 | Grupo /CLIL_02 | IA.11 |