Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 21 Clase Interactiva: 21 Total: 43
Linguas de uso Inglés
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación, Departamento externo vinculado ás titulacións
Áreas: Ciencia da Computación e Intelixencia Artificial, Área externa M.U en Intelixencia Artificial
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
A materia introduce os métodos que imitan a percepción e a aprendizaxe humanos mediante abstraccións baseadas na asimilación de múltiples niveis. Centrándonos no concepto de rede de neuronas artificiais, capacitarase ao estudante non só no uso de diferentes estratexias de xeración, senón na elección daquelas mellor adaptadas a cada caso particular de aplicación. Describiranse igualmente técnicas de regularización e estabilidade, co fin de maximizar o rendemento dos modelos xerados.
Introdución á aprendizaxe profunda. Regularización e optimización en aprendizaxe profunda. Redes neuronais convolucionais (CNNs). Redes neuronais recorrentes (RNNs). Autoencoders. Redes adversarias xenerativas (GANs). Modelos de difusión. Aprendizaxe por reforzo. 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 as etapas dun proxecto de Intelixencia Artificial.
CG3 - Buscar e seleccionar a información útil necesaria para resolver problemas complexos, manexando con soltura as fontes
bibliográficas do campo.
CG4 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans,
proxectos de traballo, artigos científicos e formular hipóteses razoables no campo.
CG5 - Traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións.
CB6 - Posuír e comprender coñecementos que acheguen unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación
CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en contornas
novas ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo
CB8 - Que os estudantes sexan capaces de integrar coñecementos e enfrontarse á complexidade de formular xuízos a partir dunha
información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociais e éticas vinculadas á
aplicación dos seus coñecementos e xuízos
CT3 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida.
CT7 - Desenvolver a capacidade de traballar en equipos interdisciplinares ou transdisciplinares, para ofrecer propostas que contribúan a un desenvolvemento sostible ambiental, económico, político e social.
CT8 - Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade.
CT9 - Ter a capacidade de xestionar tempos e recursos: desenvolver plans, priorizar actividades, identificar as críticas, establecer
prazos e cumprilos.
CE10 - Capacidade para a construción, validación e aplicación dun modelo estocástico dun sistema real a partir dos datos
observados e a análise crítica dos resultados obtidos.
CE11 - Comprensión e dominio das principais técnicas e ferramentas de análises de datos, tanto desde o punto de vista
estatístico como da aprendizaxe automática, incluíndo as dedicadas ao tratamento de grandes volumes de datos, e capacidade
para seleccionar as máis adecuadas para a resolución de problemas.
CE12 - Capacidade para expor, formular e resolver todas as etapas dun proxecto de datos, incluíndo a compresión e dominio
de fundamentos e técnicas básicas para a procura e o filtrado de información en grandes coleccións de datos.
CE15 - Coñecemento das ferramentas informáticas no campo da aprendizaxe automática, e capacidade para seleccionar a máis
adecuada para a resolución dun problema.
Aprendizaxe por proxectos: exponse ao alumnado proxectos prácticos cuxo alcance require que se lle dedique un parte importante
da dedicación total do alumno á materia. Ademais, polo alcance dos traballos para realizar, requírese non só que o
alumnado aplique competencias de xestión ademais de competencias de índole técnica.
Titorías: o profesorado atenderá ao alumnado en sesións de titorías individualizadas dedicadas á orientación no estudo e a
resolución de dúbidas sobre os contidos e traballos da materia.
Traballo autónomo: o profesorado expón ao alumnado un traballo cuxo alcance e obxectivos requiren que sexa traballado polos
alumnos de forma autónoma, aínda que coa tutela do profesorado da materia. En xeral, aplícase a traballos cun alcance
temporal e de esforzo superior ao das prácticas de laboratorio.
Estudo de casos: exponse ao alumnado un escenario de traballo, real ou ficticio, que presenta unha determinada problemática. O
alumnado debe aplicar os coñecementos teórico-prácticos da materia para buscar unha solución á cuestión ou cuestións
expostas. Como norma xeral, o estudo de casos realizarase en grupos. Os distintos grupos de traballo expoñerán e poñerán en común
as súas solucións.
Método expositivo / lección maxistral: o profesorado presenta un tema ao alumnado co obxectivo de facilitar un conxunto de información
con alcance concreto. Esta metodoloxía docente aplicarase á actividade formativa "Clases de teoría".
Prácticas de laboratorio: o profesorado da materia expón ao alumnado un problema ou problemas de carácter práctico cuxa
resolución require a comprensión e aplicación dos contidos teórico-prácticos incluídos nos contidos da materia.
O alumnado pode traballar a solución aos problemas expostos de forma individual ou en grupos. Esta metodoloxía docente
aplicarase á actividade formativa "Clases prácticas de laboratorio" e poderase aplicar á actividade formativa de "Sesións de aprendizaxe
baseada en problemas, seminarios, estudo de casos e proxectos".
A avaliación da materia realizarase en dous partes: avaliación continua e exame final. Para aprobar a materia é imprescindible obter unha cualificación mínima de 4 en ambas as partes por separado. A nota final da materia será a media aritmética da avaliación continua e o exame final, excepto naquelas situacións nas que non se chegou á cualificación mínima nalgunha das dúas partes, nese caso a nota final non poderá ser superior a 4.
A entrega dalgunha das actividades ou probas de avaliación continua supoñerá que o alumno optou por presentarse á materia. Por tanto, a partir dese momento, aínda non presentándose ao exame final terá consumido unha oportunidade.
Na segunda oportunidade (xullo) conservaranse as notas da avaliación continua e/ou o exame final obtidas durante o cuadrimestre, a condición de que a cualificación nesa parte sexa de 4 ou máis puntos. Se o alumno se presentase á segunda oportunidade na avaliación continua ou o exame final, a nota obtida na primeira oportunidade para esa parte anúlase, e a cualificación correspondente desa parte será a da segunda oportunidade. Para a avaliación continua establecerase un prazo límite para a entrega das prácticas. A nota final da materia na segunda oportunidade calcularase co mesmo criterio que na primeira oportunidade.
Aprendizaxe baseada en problemas, seminarios, estudo de casos e proxectos: trátase de sesións cuxo obxectivo é que o alumnado adquira determinadas competencias en base á resolución de exercicios, estudo de casos e realización de proxectos que requiran ao alumno
a aplicación dos coñecementos e competencias desenvolvidas durante a materia. Estas sesións poden requirir do alumno a presentación oral da súa solución aos problemas expostos. Os traballos realizados polo alumnado pódense realizar de forma individual ou en grupos de traballo. 48 h de dedicación, 7 h presenciais.
Clases de teoría: Exposición oral complementada co uso de medios audiovisuais e a introdución dalgunhas preguntas dirixidas aos estudantes, coa finalidade de transmitir coñecementos e facilitar a aprendizaxe. Ademais do tempo de exposición oral por parte do
profesor, esta actividade formativa require do alumno a dedicación dun tempo para preparar e revisar por conta propia o materiais obxecto da clase. 42 h de dedicación, 21 h presenciais.
Clases prácticas de laboratorio: clases dedicadas a que o alumnado desenvolva traballos prácticos que impliquen abordar a resolución de problemas complexos, e a análise e deseño de solucións que constitúan un medio para a súa resolución. Esta actividade pode requirir dos
alumnos a presentación oral dos traballos realizados. Os traballos realizados polo alumnado pódense realizar de forma individual ou en grupos de traballo. 60 h de dedicación, 14 h presenciais.
Daniel Cores Costa
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Correo electrónico
- daniel.cores [at] usc.es
- Categoría
- Profesor/a: Profesor Axudante Doutor LOU
Xoves | |||
---|---|---|---|
15:30-17:00 | Grupo /CLIL_01 | Inglés | IA.02 |
02.06.2025 16:00-20:00 | Grupo /CLIL_01 | IA.S1 |
02.06.2025 16:00-20:00 | Grupo /CLE_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 |