Datos básicos de la asignatura
Titulación: Máster Universitario en Lógica, Computación e Inteligencia Artificial Año plan de estudio: 2010
Curso implantación: 2019-20
Centro responsable: E.T.S. Ingeniería Informática
Nombre asignatura: Aprendizaje Profundo Código asigantura: 50950019
Tipología: OPTATIVA
Curso: 1
Periodo impartición: Segundo cuatrimestre
Créditos ECTS: 6 Horas totales: 150
Área/s: Ciencia de la Computación e Inteligenc. Artificial Departamento/s: Ciencias de la Comput. e Int. Artificial
Coordinador de la asignatura
GUTIERREZ NARANJO MIGUEL ANGEL
Profesorado
Profesorado del grupo principal:
GUTIERREZ NARANJO MIGUEL ANGEL
Objetivos y competencias Objetivos del aprendizaje:
Conocer, comprender y utilizar los distintos modelos, técnicas y aplicaciones de redes neuronales dentro del aprendizaje automático y la inteligencia artificial en general.
* Identificar problemas que pudieran ser abordados con técnicas de aprendizaje profundo.
* Elegir las técnicas más adecuada para resolverlos
* Modelizar y representar los problemas con las estructuras de datos más adecuadas para resolverlos
* Usar el software existente que implementa estas técnicas, e incluso desarrollar e implementar
nuevo software (esto último en función de la procedencia y formación previa del alumno).
* Experimentar con la búsqueda de soluciones.
* Profundizar en los aspectos teóricos de los métodos estudiados.
* Analizar la bondad, calidad y fiabilidad de los distintos métodos, así como la de los resultados.
* Hacer estudios comparativos y proponer mejoras.
Competencias
Competencias básicas
* CB06. Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales
en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
* CB07. Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de
resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más
amplios (o multidisciplinares) relacionados con su área de estudio.
complejidad
de formular juicios a partir de una información que, siendo incompleta o limitada, incluya
reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de
sus conocimientos y juicios.
* CB09. Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones
últimas que las sustentan a públicos especializados y no especializados de un modo claro y
sin ambigüedades.
* CB10. Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar
estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
Competencias generales
* CG1. Capacidad para aplicar los conocimientos adquiridos y para resolver problemas en entornos
nuevos o poco conocidos dentro de contextos más amplios y mulitidisciplinares, siendo
capaces de integrar estos conocimientos.
* CG2. Capacidad de integrar conocimientos y enfrentarse a la complejidad de formular juicios a
partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las
responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y
juicios.
sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades
* CG4. Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar
estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
* CG5. Los estudiantes serán capaces de realizar un análisis crítico, evaluación y síntesis de
ideas nuevas y complejas.
* CG6. Los estudiantes deben ser capaces de comunicarse con sus colegas, con la comunidad
académica en su conjunto y con la sociedad en general acerca de sus áreas de conocimiento.
* CG7. Los estudiantes serán capaces de fomentar, en contextos académicos y profesionales, el
avance tecnológico, social o cultural dentro de una sociedad basada en el conocimiento
* CG8. Los estudiantes serán capaces de analizar textos del área en otras lenguas relevantes en el
ámbito científico.
* CG9. Los estudiantes serán capaces de evaluar la calidad de nuevos métodos de gestión y
clasificación del conocimiento científico.
Competencias específicas
* CE1. Capacidad para el modelado matemático, cálculo y simulación en centros tecnológicos,
particularmente en tareas de investigación, desarrollo e innovación en todos los ámbitos
* CE5. Capacidad para aplicar métodos de inteligencia artificial para modelar, diseñar y
desarrollar aplicaciones, servicios, sistemas inteligentes y sistemas basados en el
conocimiento.
* CE7. Capacidad para el diseño conceptual de nuevos modelos y herramientas de procesamiento
del conocimiento o de la información. Esta competencia engloba la capacidad de abstraer las
propiedades estructurales de las observaciones a modelar o reproducir. También engloba la
capacidad más específica de manejar de herramientas inteligentes para la gestión del
conocimiento científico, tecnológico y educativo.
* CE8. Proponer, analizar, validar e interpretar modelos de situaciones reales, utilizando las
herramientas matemáticas y computacionales más adecuadas a los fines que se persigan. Esta
capacidad engloba la capacidad de analizar la adecuación de las herramientas en contextos
como la Inteligencia Colectiva, Computación Bioinspirada y la Web.
* CE12. Capacidad para gestionar de manera inteligente datos.
Contenidos o bloques temáticos Bloques temáticos:
1.- Redes neuronales
2.- Arquitecturas de redes neuronales
Relación detallada y ordenación temporal de los contenidos 1. Introducción a técnicas de machine learning.
1.1. Definición de aprendizaje.
1.2. Sobre ajuste y complejidad de un modelo.
1.3. Hiperparámetros y conjuntos de validación.
1.4. Entrenamiento supervisado, no supervisado y semi-supervisado.
1.5. Descenso por gradiente.
2. Repaso de las redes neuronales.
2.1. Redes neuronales.
2.2. Backpropagation.
2.3. Retos que motivan el deep learning.
3. Regularización
3.1. Penalización de parámetros.
3.2. Early-Stopping.
3.2. Expansión de datos. Tolerancia al ruido.
3.2.1. Bagging.
3.2.2. Dropout.
4. Redes convolucionales.
4.2. Operaciones de convolución.
4.3. Redes de convolución.
4.4. Pooling.
5. Modelos secuenciales.
5.1. Redes neuronales recurrentes (RNN)
5.2. RNNs bidireccionales.
5.3. Auto-enconders.
5.4. Redes LSTM.
6. Aplicaciones.
6.1 Visión artificial.
6.2 Procesamiento del lenguaje natural.
6.3 Sistemas de recomendación.
7. Librerías.
- Keras, Theano, TensorFlow, Scikit Learn
Actividades formativas y horas lectivas
Actividad Créditos Horas
B Clases Teórico/ Prácticas 3 30
Las actividades formativas y la metodología a emplear estarán de acuerdo siempre con el
Reglamento de Actividades Docentes de la Universidad de Sevilla. Concretamente:
* Clases de teoría y problemas (20%).
* Actividades de evaluación (20%).
* Trabajo personal del alumno (60%)
La metodología empleada en las actividades lectivas será activa, buscando en todo momento la implicación por parte del alumnado en el proceso de aprendizaje.
Sistemas y criterios de evaluación y calificación
La evaluación de los resultados de aprendizaje se realizará usando los mecanismos descritos en el Reglamento de Actividades Docentes de la Universidad de Sevilla, concretamente:
* Pruebas de contenidos teóricos (30-70%).
* Pruebas de contenidos prácticos (30-70%).
La calificación se realizará de acuerdo con el Reglamento de Actividades Docentes de la
Universidad de Sevilla. Los criterios específicos de calificación dependerán de las pruebas de evaluación concretas; de forma general estarán orientados a determinar el grado de consecución por parte del alumnado de los resultados de aprendizaje previstos.
Criterios de calificación del grupo
La evaluación alternativa se realizará mediante trabajos y exposiciones en clase.
En cualquiera de los escenarios alternativos A y B (semipresencial o no presencial) los sistemas y criterios de evaluación y calificación se conservan, al no contemplar exámenes. No obstante, si por algún motivo se requiriera una prueba escrita, ésta sería online en el día elegido por el centro.
En el caso que sea de aplicación el escenario A de semipresencialidad, 2/3 de las sesiones serán no presenciales, a través de Enseñanza Virtual.
Las tutorías en los escenarios A y B pasarían a ser sesiones online, bajo solicitud del alumno. Las tutorías en el escenario 0 seguirán las indicaciones de la normativa en vigor en ese momento.
En el escenario multimodal y/o no presencial, cuando proceda, el personal docente implicado en la impartición de la docencia se reserva el derecho de no dar el consentimiento para la captación, publicación, retransmisión o reproducción de su discurso, imagen, voz y explicaciones de cátedra, en el ejercicio de sus funciones docentes, en el ámbito de la Universidad de Sevilla
Horarios del grupo del proyecto docente https://www.informatica.us.es/index.php/horarios
Calendario de exámenes
https://www.informatica.us.es/index.php/calendario-de-examenes
Tribunales específicos de evaluación y apelación Presidente: MARIO DE JESUS PEREZ JIMENEZ Vocal: JOSE LUIS RUIZ REINA
Secretario: JOAQUIN BORREGO DIAZ
Suplente 1: FRANCISCO FELIX LARA MARTIN Suplente 2: MARIA JOSE HIDALGO DOBLADO Suplente 3: MARIA CARMEN GRACIANI DIAZ
Bibliografía recomendada
BIBLIOGRAFÍA GENERAL:
Deep Learning
Autores: Ian Goodfellow,Yoshua Bengio y Aaron Courville Edición: 2016
Publicación: MIT Press ISBN: 978-0262035613
Deep Learnng with Python Autores: Frabcois Chollet Edición: 2018
Publicación: Manning ISBN: 9781617294433
BIBLIOGRAFÍA ESPECÍFICA:
Neural Networks and Deep Learning. A Text Book. Autores: Charu C. Aggarwal
Edición: 2018
Publicación: Springer ISBN: 978-3319944623
INFORMACIÓN ADICIONAL
