Cr茅ditos ECTS
Cr茅ditos ECTS: 6
Horas ECTS Criterios/Memorias
Horas de Tutor铆as: 1
Clase Expositiva: 21
Clase Interactiva: 21
Total: 43
Lenguas de uso
滨苍驳濒茅蝉
Tipo:
Materia Ordinaria 惭谩蝉迟别谤 RD 1393/2007 - 822/2021
Departamentos:
Electr贸nica y Computaci贸n,
Departamento externo vinculado a las titulaciones
脕谤别补蝉:
Ciencia de la Computaci贸n e Inteligencia Artificial, 脕谤别补 externa M.U en Intelixencia 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
| 1ro curso (Si)
La asignatura introduce los m茅todos que imitan la percepci贸n y el aprendizaje humanos mediante abstracciones basadas en la asimilaci贸n de m煤ltiples niveles. Centr谩ndonos en el concepto de red de neuronas artificiales, se capacitar谩 al estudiante no solo en el uso de diferentes estrategias de generaci贸n, sino en la elecci贸n de aquellas mejor adaptadas a cada caso particular de aplicaci贸n. Se describir谩n igualmente t茅cnicas de regularizaci贸n y estabilidad, con el fin de maximizar el rendimiento de los modelos generados.
Introducci贸n al aprendizaje profundo. Regularizaci贸n y optimizaci贸n en aprendizaje profundo. Redes neuronales convolucionales (CNNs). Redes neuronales recurrentes (RNNs). Autoencoders. Redes adversarias generativas (GANs). Modelos de difusi贸n. Aprendizaje por refuerzo. Transformers.
叠谩蝉颈肠补.
Fran莽ois Chollet (2021). Deep Learning with Python, 2nd Ed.. Manning
Aur茅lien G茅ron (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Ed. O'Reilly
Mohamed Elgendy (2020). Deep Learning for Vision Systems. Manning
Jakub Langr, Vladimir Bok (2019). GANs in Action. Manning
David Foster (2023). Generative Deep Learning - 2nd Ed . O'Reilly
Complementaria.
Andrew Ferlitsch (2021). Deep Learning Patterns and Practices. Manning
Andrew W. Trask (2019). Grokking Deep Learning . Manning
CG2 - Abordar con 茅xito todas las etapas de un proyecto de Inteligencia Artificial.
CG3 - Buscar y seleccionar la informaci贸n 煤til necesaria para resolver problemas complejos, manejando con soltura las fuentes
bibliogr谩ficas del campo.
CG4 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes,
proyectos de trabajo, art铆culos cient铆ficos y formular hip贸tesis razonables en el campo.
CG5 - Trabajar en equipo, especialmente de car谩cter multidisciplinar, y ser h谩biles en la gesti贸n del tiempo, personas y toma de
decisiones.
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicaci贸n de ideas, a menudo en un contexto de investigaci贸n
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resoluci贸n de problemas en entornos
nuevos o poco conocidos dentro de contextos m谩s amplios (o multidisciplinares) relacionados con su 谩rea de estudio
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de
una informaci贸n que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y 茅ticas vinculadas a la
aplicaci贸n de sus conocimientos y juicios
CT3 - Utilizar las herramientas b谩sicas de las tecnolog铆as de la informaci贸n y las comunicaciones (TIC) necesarias para el ejercicio
de su profesi贸n y para el aprendizaje a lo largo de su vida.
CT7 - Desarrollar la capacidad de trabajar en equipos interdisciplinares o transdisciplinares, para ofrecer propuestas que
contribuyan a un desarrollo sostenible ambiental, econ贸mico, pol铆tico y social.
CT8 - Valorar la importancia que tiene la investigaci贸n, la innovaci贸n y el desarrollo tecnol贸gico en el avance socioecon贸mico y
cultural de la sociedad.
CT9 - Tener la capacidad de gestionar tiempos y recursos: desarrollar planes, priorizar actividades, identificar las cr铆ticas, establecer
plazos y cumplirlos.
CE10 - Capacidad para la construcci贸n, validaci贸n y aplicaci贸n de un modelo estoc谩stico de un sistema real a partir de los datos
observados y el an谩lisis cr铆tico de los resultados obtenidos.
CE11 - 驴 Comprensi贸n y dominio de las principales t茅cnicas y herramientas de an谩lisis de datos, tanto desde el punto de vista
estad铆stico como del aprendizaje autom谩tico, incluyendo las dedicadas al tratamiento de grandes vol煤menes de datos, y capacidad
para seleccionar las m谩s adecuadas para la resoluci贸n de problemas.
CE12 - Capacidad para plantear, formular y resolver todas las etapas de un proyecto de datos, incluyendo la compresi贸n y dominio
de fundamentos y t茅cnicas b谩sicas para la b煤squeda y el filtrado de informaci贸n en grandes colecciones de datos.
CE15 - Conocimiento de las herramientas inform谩ticas en el campo del aprendizaje autom谩tico, y capacidad para seleccionar la m谩s
adecuada para la resoluci贸n de un problema.
Aprendizaje por proyectos: se plantea al alumnado proyectos pr谩cticos cuyo alcance requiere que se le dedique un parte importante
de la dedicaci贸n total del alumno a la asignatura. Adem谩s, por el alcance de los trabajos a realizar, se requiere no s贸lo que el
alumnado aplique competencias de gesti贸n adem谩s de competencias de 铆ndole t茅cnica.
Tutor铆as: el profesorado atender谩 al alumnado en sesiones de tutor铆as individualizadas dedicadas a la orientaci贸n en el estudio y la
resoluci贸n de dudas sobre los contenidos y trabajos de la asignatura.
Trabajo aut贸nomo: el profesorado plantea al alumnado un trabajo cuyo alcance y objetivos requieren que sea trabajado por los
alumnos de forma aut贸noma, aunque con la tutela del profesorado de la asignatura. En general, se aplica a trabajos con un alcance
temporal y de esfuerzo superior al de las pr谩cticas de laboratorio.
Estudio de casos: se plantea al alumnado un escenario de trabajo, real o ficticio, que presenta una determinada problem谩tica. El
alumnado debe aplicar los conocimientos te贸rico-pr谩cticos de la asignatura para buscar una soluci贸n a la cuesti贸n o cuestiones
planteadas. Como norma general, el estudio de casos se realizar谩 en grupos. Los distintos grupos de trabajo expondr谩n y pondr谩n en
com煤n sus soluciones.
M茅todo expositivo / lecci贸n magistral: el profesorado presenta un tema al alumnado con el objetivo de facilitar un conjunto de
informaci贸n con alcance concreto. Esta metodolog铆a docente se aplicar谩 a la actividad formativa "Clases de teor铆a".
Pr谩cticas de laboratorio: el profesorado de la materia plantea al alumnado un problema o problemas de car谩cter pr谩ctico cuya
resoluci贸n requiere la comprensi贸n y aplicaci贸n de los contenidos te贸rico-pr谩cticos incluidos en los contenidos de la materia.
El alumnado puede trabajar la soluci贸n a los problemas planteados de forma individual o en grupos. Esta metodolog铆a docente
se aplicar谩 a la actividad formativa "Clases pr谩cticas de laboratorio" y se podr谩 aplicar a la actividad formativa de "Sesiones de
aprendizaje basado en problemas, seminarios, estudio de casos y proyectos".
La evaluaci贸n de la asignatura se realizar谩 en dos partes: evaluaci贸n continua y examen final. Para aprobar la asignatura es imprescindible obtener una calificaci贸n m铆nima de 4 en ambas partes por separado. La nota final de la materia ser谩 la media aritm茅tica de la evaluaci贸n continua y el examen final, excepto en aquellas situaciones en las que no se haya llegado a la calificaci贸n m铆nima en alguna de las dos partes, en cuyo caso la nota final no podr谩 ser superior a 4.
La entrega de alguna de las actividades o pruebas de evaluaci贸n continua supondr谩 que el alumno opt贸 por presentarse a la asignatura. Por tanto, a partir de ese momento, a煤n no present谩ndose al examen final habr谩 consumido una oportunidad.
En la segunda oportunidad (julio) se conservar谩n las notas de la evaluaci贸n continua y/o el examen final obtenidas durante el cuatrimestre, siempre y cuando la calificaci贸n en esa parte sea de 4 o m谩s puntos. Si el alumno se presenta a la segunda oportunidad en la evaluaci贸n continua o el examen final, la nota obtenida en la primera oportunidad para esa parte se anula, y la calificaci贸n correspondiente de esa parte ser谩 la de la segunda oportunidad. Para la evaluaci贸n continua se establecer谩 un plazo l铆mite para la entrega de las pr谩cticas. La nota final de la materia en la segunda oportunidad se calcular谩 con el mismo criterio que en la primera oportunidad.
Aprendizaje basado en problemas, seminarios, estudio de casos y proyectos: se trata de sesiones cuyo objetivo es que el alumnado adquiera determinadas competencias en base a la resoluci贸n de ejercicios, estudio de casos y realizaci贸n de proyectos que requieran al alumno
la aplicaci贸n de los conocimientos y competencias desarrolladas durante la asignatura. Estas sesiones pueden requerir del alumno la presentaci贸n oral de su soluci贸n a los problemas planteados. Los trabajos realizados por el alumnado se pueden realizar de forma individual o en grupos de trabajo. 48h de dedicaci贸n, 7h presenciales.
Clases de teor铆a: Exposici贸n oral complementada con el uso de medios audiovisuales y la introducci贸n de algunas preguntas dirigidas a los estudiantes, con la finalidad de transmitir conocimientos y facilitar el aprendizaje. Adem谩s del tiempo de exposici贸n oral por parte del
profesor, esta actividad formativa requiere del alumno la dedicaci贸n de un tiempo para preparar y revisar por cuenta propia los materiales objeto de la clase. 42h de dedicaci贸n, 21h presenciales.
Clases pr谩cticas de laboratorio: clases dedicadas a que el alumnado desarrolle trabajos pr谩cticos que impliquen abordar la resoluci贸n de problemas complejos, y el an谩lisis y dise帽o de soluciones que constituyan un medio para su resoluci贸n. Esta actividad puede requerir de los
alumnos la presentaci贸n oral de los trabajos realizados. Los trabajos realizados por el alumnado se pueden realizar de forma individual o en grupos de trabajo. 60h de dedicaci贸n, 14h presenciales.
Daniel Cores Costa
Coordinador/a- 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
Jueves | |||
---|---|---|---|
15:30-17:00 | Grupo /CLIL_01 | 滨苍驳濒茅蝉 | IA.02 |
02.06.2025 16:00-20:00 | Grupo /CLIL_01 | IA.S1 |
02.06.2025 16:00-20:00 | Grupo /CLE_01 | IA.S1 |
07.07.2025 16:00-20:00 | Grupo /CLE_01 | IA.02 |
07.07.2025 16:00-20:00 | Grupo /CLIL_01 | IA.02 |