ECTS credits ECTS credits: 6
ECTS Hours Rules/Memories Hours of tutorials: 1 Expository Class: 21 Interactive Classroom: 21 Total: 43
Use languages English
Type: Ordinary subject Master’s Degree RD 1393/2007 - 822/2021
Departments: Electronics and Computing, External department linked to the degrees
Areas: Computer Science and Artificial Intelligence, Área externa M.U en Intelixencia Artificial
Center Higher Technical Engineering School
Call: Second Semester
Teaching: With teaching
Enrolment: Enrollable | 1st year (Yes)
La asignatura introduce los métodos que imitan la percepción y el aprendizaje humanos mediante abstracciones basadas en la asimilación de múltiples niveles. Centrándonos en el concepto de red de neuronas artificiales, se capacitará al estudiante no solo en el uso de diferentes estrategias de generación, sino en la elección de aquellas mejor adaptadas a cada caso particular de aplicación. Se describirán igualmente técnicas de regularización y estabilidad, con el fin de maximizar el rendimiento de los modelos generados.
Introducción al aprendizaje profundo. Regularización y optimización en aprendizaje profundo. Redes neuronales convolucionales (CNNs). Redes neuronales recurrentes (RNNs). Autoencoders. Redes adversarias generativas (GANs). Modelos de difusión. Aprendizaje por refuerzo. Transformers.
Básica.
François Chollet (2021). Deep Learning with Python, 2nd Ed.. Manning
Aurélien Géron (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 éxito todas las etapas de un proyecto de Inteligencia Artificial.
CG3 - Buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes
bibliográficas del campo.
CG4 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes,
proyectos de trabajo, artículos científicos y formular hipótesis razonables en el campo.
CG5 - Trabajar en equipo, especialmente de carácter multidisciplinar, y ser hábiles en la gestión 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 aplicación de ideas, a menudo en un contexto de investigación
CB7 - 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
CB8 - Que los estudiantes sean capaces 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
CT3 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio
de su profesión 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, económico, político y social.
CT8 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y
cultural de la sociedad.
CT9 - Tener la capacidad de gestionar tiempos y recursos: desarrollar planes, priorizar actividades, identificar las críticas, establecer
plazos y cumplirlos.
CE10 - Capacidad para la construcción, validación y aplicación de un modelo estocástico de un sistema real a partir de los datos
observados y el análisis crítico de los resultados obtenidos.
CE11 - ¿ Comprensión y dominio de las principales técnicas y herramientas de análisis de datos, tanto desde el punto de vista
estadístico como del aprendizaje automático, incluyendo las dedicadas al tratamiento de grandes volúmenes de datos, y capacidad
para seleccionar las más adecuadas para la resolución de problemas.
CE12 - Capacidad para plantear, formular y resolver todas las etapas de un proyecto de datos, incluyendo la compresión y dominio
de fundamentos y técnicas básicas para la búsqueda y el filtrado de información en grandes colecciones de datos.
CE15 - Conocimiento de las herramientas informáticas en el campo del aprendizaje automático, y capacidad para seleccionar la más
adecuada para la resolución de un problema.
Aprendizaje por proyectos: se plantea al alumnado proyectos prácticos cuyo alcance requiere que se le dedique un parte importante
de la dedicación total del alumno a la asignatura. Además, por el alcance de los trabajos a realizar, se requiere no sólo que el
alumnado aplique competencias de gestión además de competencias de índole técnica.
Tutorías: el profesorado atenderá al alumnado en sesiones de tutorías individualizadas dedicadas a la orientación en el estudio y la
resolución de dudas sobre los contenidos y trabajos de la asignatura.
Trabajo autónomo: el profesorado plantea al alumnado un trabajo cuyo alcance y objetivos requieren que sea trabajado por los
alumnos de forma autónoma, 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 prácticas de laboratorio.
Estudio de casos: se plantea al alumnado un escenario de trabajo, real o ficticio, que presenta una determinada problemática. El
alumnado debe aplicar los conocimientos teórico-prácticos de la asignatura para buscar una solución a la cuestión o cuestiones
planteadas. Como norma general, el estudio de casos se realizará en grupos. Los distintos grupos de trabajo expondrán y pondrán en
común sus soluciones.
Método expositivo / lección magistral: el profesorado presenta un tema al alumnado con el objetivo de facilitar un conjunto de
información con alcance concreto. Esta metodología docente se aplicará a la actividad formativa "Clases de teoría".
Prácticas de laboratorio: el profesorado de la materia plantea al alumnado un problema o problemas de carácter práctico cuya
resolución requiere la comprensión y aplicación de los contenidos teórico-prácticos incluidos en los contenidos de la materia.
El alumnado puede trabajar la solución a los problemas planteados de forma individual o en grupos. Esta metodología docente
se aplicará a la actividad formativa "Clases prácticas de laboratorio" y se podrá aplicar a la actividad formativa de "Sesiones de
aprendizaje basado en problemas, seminarios, estudio de casos y proyectos".
La evaluación de la asignatura se realizará en dos partes: evaluación continua y examen final. Para aprobar la asignatura es imprescindible obtener una calificación mínima de 4 en ambas partes por separado. La nota final de la materia será la media aritmética de la evaluación continua y el examen final, excepto en aquellas situaciones en las que no se haya llegado a la calificación mínima en alguna de las dos partes, en cuyo caso la nota final no podrá ser superior a 4.
La entrega de alguna de las actividades o pruebas de evaluación continua supondrá que el alumno optó por presentarse a la asignatura. Por tanto, a partir de ese momento, aún no presentándose al examen final habrá consumido una oportunidad.
En la segunda oportunidad (julio) se conservarán las notas de la evaluación continua y/o el examen final obtenidas durante el cuatrimestre, siempre y cuando la calificación en esa parte sea de 4 o más puntos. Si el alumno se presenta a la segunda oportunidad en la evaluación continua o el examen final, la nota obtenida en la primera oportunidad para esa parte se anula, y la calificación correspondiente de esa parte será la de la segunda oportunidad. Para la evaluación continua se establecerá un plazo límite para la entrega de las prácticas. La nota final de la materia en la segunda oportunidad se calculará 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 resolución de ejercicios, estudio de casos y realización de proyectos que requieran al alumno
la aplicación de los conocimientos y competencias desarrolladas durante la asignatura. Estas sesiones pueden requerir del alumno la presentación oral de su solución a los problemas planteados. Los trabajos realizados por el alumnado se pueden realizar de forma individual o en grupos de trabajo. 48h de dedicación, 7h presenciales.
Clases de teoría: Exposición oral complementada con el uso de medios audiovisuales y la introducción de algunas preguntas dirigidas a los estudiantes, con la finalidad de transmitir conocimientos y facilitar el aprendizaje. Además del tiempo de exposición oral por parte del
profesor, esta actividad formativa requiere del alumno la dedicación de un tiempo para preparar y revisar por cuenta propia los materiales objeto de la clase. 42h de dedicación, 21h presenciales.
Clases prácticas de laboratorio: clases dedicadas a que el alumnado desarrolle trabajos prácticos que impliquen abordar la resolución de problemas complejos, y el análisis y diseño de soluciones que constituyan un medio para su resolución. Esta actividad puede requerir de los
alumnos la presentación oral de los trabajos realizados. Los trabajos realizados por el alumnado se pueden realizar de forma individual o en grupos de trabajo. 60h de dedicación, 14h presenciales.
Daniel Cores Costa
Coordinador/a- Department
- Electronics and Computing
- Area
- Computer Science and Artificial Intelligence
- daniel.cores [at] usc.es
- Category
- Professor: LOU (Organic Law for Universities) PhD Assistant Professor
| Thursday | |||
|---|---|---|---|
| 15:30-17:00 | Grupo /CLIL_01 | English | IA.02 |
| 06.02.2025 16:00-20:00 | Grupo /CLE_01 | IA.S1 |
| 06.02.2025 16:00-20:00 | Grupo /CLIL_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 |