Aprendizaje profundo
GUÍA DOCENTE Curso 2022-23
Titulación: | Máster universitario en Ciencia de Datos y Aprendizaje Automático | 855M |
Asignatura: | Aprendizaje profundo | 5230 |
Materia: | Técnica de aprendizaje automático |
Módulo: | Aprendizaje automático |
Modalidad de enseñanza de la titulación: | Presencial | Carácter: | Obligatoria |
Curso: | 1 | Créditos ECTS: | 3,00 | Duración: | Semestral (Segundo Semestre) |
Horas presenciales: | 30,00 | Horas estimadas de trabajo autónomo: | 45,00 |
Idiomas en que se imparte la asignatura: | Español |
Idiomas del material de lectura o audiovisual: | Español |
Departamentos responsables de la docencia
MATEMÁTICAS Y COMPUTACIÓN | R111 |
Dirección: | C/ Madre de Dios, 53 | Código postal: | 26006 |
Localidad: | Logroño | Provincia: | La Rioja |
Teléfono: | 941299452 | Fax: | 941299460 | Correo electrónico: | dpto.dmc@unirioja.es |
Profesorado previsto
Profesor: | Heras Vicente, Jónathan | Responsable de la asignatura |
Teléfono: | 941299450 | Correo electrónico: | jonathan.heras@unirioja.es |
Despacho: | 3210 | Edificio: | CENTRO CIENTÍFICO TECNOLÓGICO | Tutorías: | Consultar |
Profesor: | García Domínguez, Manuel |
Teléfono: | 9673 | Correo electrónico: | manuel.garciad@unirioja.es |
Despacho: | D3232
| Edificio: | CENTRO CIENTÍFICO TECNOLÓGICO | Tutorías: | Consultar |
Descripción de los contenidos
Redes neuronales y aprendizaje profundo. Problemas reales y casos de éxito en la industria
Requisitos previos de conocimientos y competencias para poder cursar con éxito la asignatura
Ninguno especificado.
Competencias
Competencias generales
CG01 - Capacidad de análisis y síntesis a nivel avanzado en el ámbito de la ciencia de datos y aprendizaje automático
CG02 - Capacidad de iniciativa y autonomía para llevar a cabo proyectos relacionados con la ciencia de datos y aprendizaje automático
CG05 - Habilidad para formular por escrito a nivel avanzado temas del ámbito de la ciencia de datos y aprendizaje automático usando correctamente diferentes tipos de enfoques académicos relacionados con su campo de estudio
CG06 - Capacidad de iniciativa y autonomía para las distintas tareas propias de la actividad investigadora en el ámbito de la ciencia de datos y aprendizaje automático
Competencias específicas
CE04 - Capacidad para utilizar el aprendizaje automático para extraer conocimiento a partir de datos, así como para aplicar los métodos y herramientas necesarias de aprendizaje supervisado y no supervisado al modelado, diseño y desarrollo de aplicaciones, servicios, y sistemas basados en datos
Resultados del aprendizaje
- Diferencia los diferentes tipos de aprendizaje dentro del aprendizaje automatizado.
- Identifica el tipo de técnica de aprendizaje automatizado más adecuada dependiendo de los datos disponibles.
- Comprende las diferencias entre el desarrollo de software tradicional y el enfoque basado en datos.
- Sabe evaluar modelos de aprendizaje supervisado y no supervisado utilizando métricas y métodos adecuados.
- Conoce las ventajas y limitaciones de las técnicas de aprendizaje profundo con respecto a otras aproximaciones de aprendizaje automático.
- Combina modelos de datos mediante técnicas de ensamblado.
- Maneja librerías software para aplicar técnicas de aprendizaje supervisado y no supervisado.
Temario
Tema 1. Introducción al aprendizaje profundo.
Tema 2. Aprendizaje profundo aplicado a la visión por computador.
Tema 3. Aprendizaje profundo aplicado al procesado de lenguaje natural.
Tema 4. Límites del aprendizaje profundo
Bibliografía
Tipo: | Título |
Básica | Apuntes de la asignatura |
Básica | Guiones de prácticas |
Básica | Deep learning for coders with fastai and PyTorch : AI applications without a PhD Absys Biba |
Complementaria | Deep learning / Ian Goodfellow, Yoshua Bengio, and Aaron Courville Absys Biba |
Complementaria | Deep learning con Python / François Chollet. Absys Biba |
Complementaria | Hands-on machine learning with Scikit-learn, Keras and TensorFlow :concepts, tools and techniques to build intelligent systems / Géron Aurélien. Absys Biba |
Complementaria | Data science from scratch : first principles with Python / Grus, Joel. Absys Biba |
Recursos en Internet |
El material didáctico (ejercicios prácticos, cuestiones, actividades ...etc) se encontrará disponible en el aula virtual para todos los alumnos matriculados en esta asignatura. |
FastAI course |
Pyimagesearch |
Metodología
Modalidades organizativas
Clases teóricas
Seminarios y talleres
Clases prácticas
Tutorías
Estudio y trabajo en grupo
Estudio y trabajo autónomo individual
Métodos de enseñanza
Método expositivo - Lección magistral
Estudio de casos
Resolución de ejercicios y problemas
Aprendizaje basado en problemas
Aprendizaje orientado a proyectos
Aprendizaje cooperativo
Organización
Actividades presenciales | Tamaño de grupo | Horas |
Clases teóricas | Grande | 10,00 |
Seminarios y talleres | Grande | 8,00 |
Clases prácticas | Informática | 10,00 |
Tutorías | Grande | 2,00 |
Total de horas presenciales | 30,00 |
Trabajo autónomo del estudiante | Horas |
Estudio y trabajo en grupo | 15,00 |
Estudio y trabajo autónomo individual | 30,00 |
Total de horas de trabajo autónomo | 45,00 |
Evaluación
Sistemas de evaluación | Recuperable | No Recup. |
Informes y memorias de prácticas | | 30% |
Trabajos y proyectos | 70% | |
Total | 100% |
15/03/2023 10:34:52 - G 2022-23 - 855M - 5230