Que estás buscando?
Teoría y labs en inglés.
Documentación en inglés
B5_Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía
T2_Que los estudiantes tengan capacidad para trabajar como miembros de un equipo interidisciplinar ya sea como un miembros más, o realizando tareas de dirección con el fin de contribuir a desarrollar proyectos con pragmatismo y sentido de la responsabilidad, asumiendo compromisos teniendo en cuenta los recursos disponibles
El curso es una introducción al Deep Learning (aprendizaje profundo) en los entornos actuales de big data. Facilitando una aproximación práctica y reduciendo los prerrequisitos habituales (de cimentación matemática y estadística), el curso hace un recorrido a la evolución explosiva de esta técnica de inteligencia artificial empezando por la cimentación en redes neuronales, para posteriormente introducir los conceptos de MLP (Multilayer Perceptrons), CNN (Convolutional neural networks), RNN (Recurrent neural networks) entre otros. Con un enfoque que combina la práctica (y la teoría) pretende ser un revulsivo para que el alumno explore algunos de los métodos que se encuentran en muchas soluciones de inteligencia artificial en nuestro entorno (chatGPT, DALLE2, vehículos autónomos, etc)
U1: Introducción al DL
Introducción a las redes neuronales
Regresión lineal y optimización
Funciones de activación y retropropagación
Funciones de pérdida
U2: Características DL
Redes neuronales profundas
Técnicas de regularización (L1/L2, abandono)
Algoritmos de optimización (SGD, Adam, etc.)
U3: DL aplicada a Visión
Redes neuronales convolucionales (CNN)
Agrupando capas
Clasificación de imágenes mediante CNN
U4: DL aplicada a streaming
Redes neuronales recurrentes (RNN)
Redes de memoria a corto plazo (LSTM).
Clasificación de secuencias mediante RNN
U5: Transfer Learning
Transferencia de aprendizaje
Fine-tuning pre-trained modelos
Transferencia de estilo neuronal
U6: Modelos Generativos
Introducción a los modelos autogenerativos
Autoencoders I Variational autoencoders (VAEs)
GAN y Difussion Models
Con el objetivo de recoger evidencias del logro de los resultados de aprendizaje esperados se realizan las siguientes actividades de carácter evaluativo:
PLab = Prácticas Laboratorio [Relacionada con todas las competencias]
Las prácticas permitirán al estudiante practicar conceptos descritos en teoría
Proyecto = Presentación Proyecto Deep Learning[Relacionada con todas las competencias]
Los estudiantes presentarán un proyecto en grupo describiendo todas y cada una de las etapas que han desarrollado. Se entregará el código, el documento de trabajo y la presentación realizada
Evidencia de los resultados de aprendizaje: Todos
ExiP = Ejercicios y participación en clase [Relacionada con todas las competencias]
Los estudiantes y / o grupos que participen en la resolución de problemas
Auditoria = Examen [Relacionada con todas las competencias]
Evidencia de los resultados de aprendizaje: Todos
Observaciones: Todas las actividades son obligatorias excepto ExiP (Ejercicios y Participación en clase)
Las actividades unipersonales presuponen el compromiso del estudiante de realizarlas de manera individual y sin ningún tipo de colaboración con otras personas. Se considerarán suspendidas (calificación 0) todas aquellas actividades en que el estudiante no se ajuste a este compromiso de individualidad, independientemente de su papel (emisor o receptor) y sin que ello excluya la posible aplicación de otras sanciones de acuerdo con el Régimen Disciplinario vigente.
Igualmente, las actividades que se deban realizar en grupo presuponen el compromiso por parte de los estudiantes que lo integran de realizarlas en el seno del grupo y sin ningún tipo de colaboración con otros grupos o personas que sean ajenas (individualidad grupal). Se considerarán suspendidas (calificación 0) todas aquellas actividades en las que el grupo no haya respetado este compromiso con independencia de su papel (emisor o receptor) y sin que ello excluya la posible aplicación de otras sanciones de acuerdo con el Régimen Disciplinario vigente.
En el caso de actividades que puedan hacerse en grupo, cuando en alguna de ellas no se respete el compromiso de individualidad grupal y / o utilicen medios fraudulentos en su realización, la calificación de la actividad será, para todos los miembros del grupo, de 0 puntos (Nota Actividad = 0) y sin que ello excluya la posible aplicación de otras sanciones de acuerdo con el Régimen Disciplinario vigente.
Cualquier actividad obligatoria no entregada se considerará puntuada con cero puntos
Es potestativo de los docentes aceptar o no entregas fuera de los plazos que se indiquen. En caso de que estas entregas fuera de plazo se acepten, es potestativo del docente decidir si aplica alguna penalización y la cuantía de esta
Sistema de evaluación
La calificación final es la suma ponderada de las calificaciones de las actividades de aprendizaje:
Q = 0.25 PLab + 0.40 Proy + 0.10 ExiP + 0.25 Exam
Observaciones relativas a la Recuperación
La parte del Proyecto (Proj) y Exam sí es recuperable. El resto de partes no son recuperables. Para los estudiantes que asistan a la recuperación del proyecto su calificación (Proj) será la obtenida en esta prueba y su calificación final (Q) se calculará con las fórmulas anteriormente detalladas y en ningún caso será superior a 7.
Deep learning (Adaptive Computation and Machine Learning series) por Ian Goodfellow, Yoshua Bengio, y Aaron Courville (The MIT Press 2016)
Deep Learning with PyTorch: Build, Train, and Tune Neural Networks Using Python Tools by Eli Stevens, y Luca Antigua (Manning Publications 2020)