Breve descripción

El aprendizaje profundo o deep learning se ha consolidado como una de las áreas más relevantes dentro del aprendizaje automático, debido a su capacidad para modelar relaciones complejas y extraer representaciones jerárquicas a partir de grandes volúmenes de datos.

En esta asignatura se estudian los fundamentos teóricos y prácticos del aprendizaje profundo, abordando las principales arquitecturas y paradigmas que lo conforman. Se analizan las bases del entrenamiento de redes neuronales, las arquitecturas convolucionales y recurrentes, así como los enfoques de aprendizaje no supervisado y sus aplicaciones actuales. El objetivo es que el estudiante adquiera una comprensión sólida de los principios, técnicas y herramientas necesarias para diseñar, entrenar y evaluar modelos de aprendizaje profundo en distintos dominios de aplicación
Unidades:

• Módulo 1: Fundamentos de las redes neuronales (profundas)
• Módulo 2: Redes convolucionales
• Módulo 3: Tratamiento de secuencias
• Módulo 4: Aprendizaje no supervisado

Título asignatura

A19. Aprendizaje profundo/Deep Learning

Código asignatura

102469

Curso académico

2025-26

Planes donde se imparte

MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL

Créditos ECTS

4,5

Carácter de la asignatura

OPTATIVA

Duración

Anual

Idioma

Castellano

Contenidos

• Objetivo del deep learning

• Gradient Descent, mini batch y SGD

• ¿Por qué no-lineal y cómo se consigue?

• Backpropagation

• Planteamiento general de feedforward usando la Cross-entropy

• Tareas de aprendizaje: Regresión, Clasificación binaria, multiclase y multietiqueta

• Regularización

• Manejando Lenguaje Natural

• Tratamiento de imágenes y Video

• Redes recurrentes

• Personalización, técnicas basadas en contenido, técnicas basadas en filtrado colaborativo

Generales

CG1 - Entender los conceptos, los métodos y las aplicaciones de la inteligencia artificial.

CG3 - Gestionar de manera inteligente los datos, la información y su representación.

Específicas

CE2 - Aplicar las técnicas de aprendizaje automático utilizando la metodología de validación y presentación de resultados más apropiada en cada caso.

CE4 - Conocer los principales modelos de razonamiento impreciso para valorar su adecuación a la resolución de problemas que surgen en el ámbito de la Inteligencia Artificial.

CE5 - Analizar las fuentes documentales propias del ámbito de la investigación en Inteligencia Artificial para poder determinar cuáles de ellas son relevantes en la resolución de problemas concretos.

Actividades formativas

A1- Sesiones virtuales (clases en vídeo): visionado inicial del material audiovisual que constituye las lecciones de la asignatura. Se asume 1,5 veces el tiempo real de vídeo, puesto que el estudiante deberá parar, repetir algunas secuencias, etc. (6 horas).
A2- Trabajos individuales: realización de ejercicios, resolución de problemas, realización de prácticas y/o trabajos/proyectos individuales (41,5 horas).
A3- Trabajo autónomo: estudio del material básico, lecturas complementarias y otros contenidos (60 horas).
A4- Foros y chats: lanzamiento, lectura y contestación de cuestiones y temas para la discusión general (2,5 horas).
A5- Tutorías: consultas y resolución de dudas, aclaraciones, etc. (2,5 horas).

Puede consultar en este enlace el Cronograma de Carga de Trabajo.

Descripción del sistema de evaluación

E1 - Valoración de los cuestionarios de evaluación: los estudiantes realizarán por cada unidad didáctica un cuestionario de evaluación que será objeto de puntuación en la nota final. El peso en la nota final de este apartado será del 30% sobre el total.

E2 - Valoración de la participación en foros y chats: se valorará el nivel de participación/debate de los estudiantes que contará para la nota final. El peso en la nota final de este apartado será del 10% sobre el total.

E3 - Valoración de los trabajos individuales: se valorarán los problemas, proyectos, trabajos realizados y entregados a través de la plataforma, y apoyado en los casos que sea necesario (sobre todo cuando se trate de desarrollo de código) por plataformas de gestión de código como GitHub. También se incluirá el video que el/la estudiante deberá enviar al equipo docente de la asignatura para defender los correspondientes trabajos. El peso en la nota final de este apartado será del 60% sobre el total.

E4 - Se considerará que un/a estudiante se presenta a una convocatoria cuando haya entregado el trabajo final que se le solicite, de forma que aquellos cuestionarios y/o trabajos que no hayan sido presentados en los plazos establecidos para esa convocatoria se evaluarán con 0 puntos.

Calendario de exámenes

Para la convocatoria ordinaria, habrá 3 fechas de entrega de trabajos final de curso. Los alumnos podrán entregar sus trabajos en cualquier momento, pero sólo en estas fechas se recogerán y evaluarán los que se hayan entregado.

Habrá una convocatoria extraordinaria en todas las asignaturas. Para su evaluación.

Las actas de la convocatoria ordinaria se cerrarán en julio de 2025 y las de la convocatoria extraordinaria en septiembre de 2025.

Profesor responsable

Profesorado

Horario

Todas las asignaturas estarán en la plataforma a disposición de los estudiantes desde octubre hasta julio.

Bibliografía

El libro por excelencia

I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016.

Otros libros y artC-culos complementarios

X. Glorot and Y. Bengio, b Understanding the difficulty of training deep feedforward neural networks,b in Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, 2010, vol. 9, pp. 249b 256.

S. Pal and A. Gulli, Deep Learning with Keras. Packt Publishing Ltd., 2017.

G. Zaccone, M. R. Karim, and A. Menshawy, Deep Learning with TensorFlow. Packt Publishing Ltd., 2017.

J. Bergstra and Y. Bengio, b Random Search for Hyper-Parameter Optimization,b J. Mach. Learn. Res., vol. 13, 2012.

S. Ioffe and C. Szegedy, b Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift,b Proc. 32Nd Int. Conf. Int. Conf. Mach. Learn. - Vol. 37, pp. 448b 456, 2015.

D. P. Kingma and J. Ba, b Adam: A Method for Stochastic Optimization,b in International Conference on Learning Representations 2015, 2014.

R. Tibshirani, b The lasso method for variable selection in the Cox model.,b Stat. Med., vol. 16, no. 4, pp. 385b 95, Feb. 1997.

H. Zou and T. Hastie, b Regularization and variable selection via the elastic net,b J. R. Stat. Soc. Ser. B (Statistical Methodol., vol. 67, no. 2, pp. 301b 320, Apr. 2005.

A. Krizhevsky, I. Sutskever and G.E. Hinton, "Imagenet classification with deep convolutional neural networksb , Advances in Neural Information Processing Systems, pp. 1097-1105, 2012.

C. Szegedy, W. Liu, Yl Jia, P. Sermanet, S. Reed, S., D. Anguelov, D. Erhan, V. Vanhoucke and A. Rabinovich, "Going deeper with convolutionsb , Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1-9, 2015.

[12] K. He, X. Zhang, S. Ren and J. Sun, "Deep residual learning for image recognitionb , Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 770-778, 2016.

C. Szegedy, S. Ioffe, V. Vanhoucke and A. Alemi, "Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learningb , Proceedings of the AAAI Conference of Artificial Intelligence, vol. 4, p. 4278-4284, 2017.

Programa para imprimir

Este documento puede utilizarse como documentación de referencia de esta asignatura para la solicitud de reconocimiento de créditos en otros estudios. Para su plena validez debe estar sellado por la Secretaría de Estudiantes UIMP.

Documento para la solicitud de reconocimiento de créditos en otros estudios