Nombre: DEEP LEARNING
Código: 525103007
Carácter: Obligatoria
ECTS: 6
Unidad Temporal: Cuatrimestral
Despliegue Temporal: Curso 3º - Segundo cuatrimestre
Menciones/Especialidades:
Lengua en la que se imparte: Castellano
Carácter: Presencial
Nombre y apellidos: SANCHO GÓMEZ, JOSÉ LUIS
Área de conocimiento: Teoría de la Señal y Comunicaciones
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 968325371
Correo electrónico: josel.sancho@upct.es
Horario de atención y ubicación durante las tutorias:
Titulaciones:
Categoría profesional: Catedrático de Universidad
Nº de quinquenios: 5
Nº de sexenios: 4 de investigación
Curriculum Vitae: Perfil Completo
Responsable de los grupos: G1
Nombre y apellidos: MORALES SÁNCHEZ, JUAN
Área de conocimiento: Teoría de la Señal y Comunicaciones
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 968325372
Correo electrónico: juan.morales@upct.es
Horario de atención y ubicación durante las tutorias: Las tutorías se realizarán a demanda del estudiante mediante solicitud remitida al correo juan.morales@upct.es
Titulaciones:
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 5
Nº de sexenios: 4 de investigación
Curriculum Vitae: Perfil Completo
[CB2 ]. Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio
[CB4 ]. Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado
[CB5 ]. Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía
[CG1 ]. Conocer y aplicar la analítica de datos y técnicas estadísticas apropiadas para descubrir nuevas relaciones en los datos y realizar aportaciones a procesos de las organizaciones, así como apoyar en la toma de decisiones.
[CG4 ]. Capacidad para aplicar los métodos generales de la ciencia e ingeniería de datos en los tipos de datos de dominios específicos, así como en la presentación de los datos, el modelado de datos y procesos, los roles organizacionales y las relaciones entre estos.
[CG6 ]. Ser capaz de buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo.
[CE1 ]. Usar de forma efectiva una variedad de técnicas de análisis de datos, tales como aprendizaje computacional (incluyendo aprendizaje supervisado, no supervisado y semi-supervisado), minería de datos, analítica prescriptiva y predictiva, para abordar el análisis de datos complejo en todo el ciclo de vida de los datos.
[CE15 ]. Procesar y analizar datos procedentes de fuentes, tipos y formatos de datos semi estructurados y estructurados de interés para Ciencia de datos.
[CE5 ]. Desarrollar análisis de datos para tareas de organizaciones, integrar diferentes analíticas y aplicaciones de procesamiento de datos en el flujo de trabajo de las organizaciones y los procesos de negocio con el fin de agilizar la toma de decisiones.
Conocer las técnicas de aprendizaje profundo.
Identificar las técnicas apropiadas de análisis de datos según el problema.
Conocer y saber aplicar técnicas de avanzadas de preprocesado de datos, incluyendo las de reducción de la dimensión o de tratamiento de valores ausentes.
Manejar las herramientas y entornos de trabajo más actuales en el ámbito del aprendizaje automático profundo.
Introducción a las redes de aprendizaje profundas.<br>Redes progresivas profundas.<br>Redes auto-codificadoras profundas (-denoising-, -contractive- y -sparse-).<br>Redes profundas convolucionales (clásicas y de cápsulas).<br>Redes profundas recurrentes.<br>Redes generativas (Boltzman, variacionales y adversarias).<br>Aplicaciones por tipo de datos (audio, imagen, video) y sectores (empresa, bioingeniería, medicina).<br><br>
Teoría
Tema 1: Introducción al Deep Learning
Tema 2: Redes convolucionales
Tema 3: Redes recurrentes
Tema 4: Transformers
Tema 5: Redes neuronales de grafos
Tema 6: Autoencoders
Tema 7: GAN, modelos de difusión y otros modelos generativos
Práctica 1
Relacionado con: Tema 1: Introducción al Deep Learning
Práctica 2
Relacionado con: Tema 2: Redes convolucionales Tema 3: Redes recurrentes
Práctica 3
Relacionado con: Tema 4: Transformers Tema 5. Redes neuronales de grafos
Práctica 4
Relacionado con: Tema 6: Autoencoders Tema 7: GAN, modelos de difusión y otros modelos generativos
La Universidad Politécnica de Cartagena considera como uno de sus principios básicos y objetivos fundamentales la promoción de la mejora continua de las condiciones de trabajo y estudio de toda la Comunidad Universitaria. Este compromiso con la prevención y las responsabilidades que se derivan atañe a todos los niveles que integran la Universidad: órganos de gobierno, equipo de dirección, personal docente e investigador, personal de administración y servicios y estudiantes. El Servicio de Prevención de Riesgos Laborales de la UPCT ha elaborado un "Manual de acogida al estudiante en materia de prevención de riesgos" que puedes encontrar en el Aula Virtual, y en el que encontraras instrucciones y recomendaciones acerca de cómo actuar de forma correcta, desde el punto de vista de la prevención (seguridad, ergonomía, etc.), cuando desarrolles cualquier tipo de actividad en la Universidad. También encontrarás recomendaciones sobre cómo proceder en caso de emergencia o que se produzca algún incidente. En especial, cuando realices prácticas docentes en laboratorios, talleres o trabajo de campo, debes seguir todas las instrucciones del profesorado, que es la persona responsable de tu seguridad y salud durante su realización. Consúltale todas las dudas que te surjan y no pongas en riesgo tu seguridad ni la de tus compañeros.
Theory
Chapter 1: Introduction to deep learning
Chapter 2: Convolutional networks
Chapter 3: Recurrent networks
Chapter 4: Transformers
Chapter 5: Graph neural networks
Chapter 6: Autoencoders
Chapter 7: GAN, diffusion models and other generative models
Exposición teórica: Exposición de los contenidos teóricos de la asignatura por parte del profesor. También se contemplan las sesiones informativas sobre el desarrollo del trabajo de fin de grado o prácticas externas.
Exposición teórica: Exposición de los contenidos teóricos de la asignatura por parte del profesor.
30
100
Seminarios y actividades de aula: Exposición, análisis y debate dentro del contexto de aplicaciones específicas de contenidos teóricos, así como planteamiento y resolución de ejercicios y casos prácticos en el aula, tanto al grupo completo como en grupos reducidos. También se contemplan conferencias, debates y seminarios temáticos.
Seminarios y actividades de aula.
3
100
Prácticas de laboratorio: Ejercicios y resolución de problemas, aprendizaje orientado a proyectos, estudio de casos, exposición y discusión de trabajos, simulaciones y/o prácticas con ordenadores, generalmente desarrolladas en grupos reducidos.
Prácticas de laboratorio
20
100
Trabajo autónomo del alumno: Estudio y preparación de contenidos teórico-prácticos, trabajo individual consistente en lecturas, búsquedas de información, sistematización de contenidos, elaboración de informes o estudio para la elaboración de casos entre otras actividades.
Trabajo autónomo del alumno
90
0
Tutorías formativas y resolución de dudas: Asistencia individualizada -tutorías individuales- o en grupo -tutorías colectivas- a los estudiantes por parte del profesor.
Tutorías formativas y resolución de dudas
3
100
Evaluación: Pruebas individuales, ya sean escritas, orales o con medios informáticos, donde el estudiante demostrará los conocimientos teóricos y prácticos adquiridos durante las actividades formativas asociadas a la enseñanza de la materia.
Evaluación: Pruebas individuales
4
100
Exámenes individuales: Pruebas objetivas, de desarrollo, de respuesta corta, de ejecución de tareas o de escala de actitudes, realizadas por los estudiantes para mostrar los conocimientos teóricos y prácticos adquiridos ya sea de forma oral, escrita o utilizando un ordenador.
Examen teórico-práctico presencial de carácter obligatorio con una valoración máxima de 10 puntos con una ponderación del 60% en la calificación final de la asignatura
Criterios:
Expresarse correctamente en español, así como las destrezas de comunicación y entendimiento sobre los conocimientos, procedimientos y resultados expuestos en clase
Inexistencia de errores ortográficos o gramaticales
Las respuestas son coherentes y pertinentes
Se contesta y explica con precisión a las preguntas planteadas
La presentación es clara, estructurada y ordenada
Correlación precisa entre las cuestiones planteadas y las respuestas entregadas
Los ejercicios están bien resueltos, justificados y detalladamente explicados
Nota: Consultar el apartado Observaciones para detalles del sistema de evaluación
60 %
Procedimientos de observación del trabajo del estudiante: Registros de participación, de realización de actividades, cumplimiento de plazos, participación en foros, informes de seguimiento del trabajo fin de grado y registros sobre el desarrollo de las prácticas externas.
0 %
Informe técnico. En este instrumento incluimos los resultados de actividades prácticas, o de laboratorio, junto con sus memorias descriptivas y posibles resúmenes del estado del arte sobre temas concretos. La opción de realizar entrevistas personales o presentaciones de los trabajos realizados también entran en esta categoría.
Evaluación presencial de resolución de tareas prácticas, con un peso del 40% en la calificación de la asignatura. Se evaluará la capacidad para resolver los problemas prácticos planteados, y la justificación de las decisiones técnicas adoptadas.
Criterios
Se valora el uso y aplicación correcta de los conocimientos, procedimientos y resultados aprendidos a las distintas cuestiones y ejercicios planteados Se valora que las respuestas sean coherentes, pertinentes y que se explique con precisión a las preguntas planteadas Los ejercicios tienen que estar bien resueltos y correctamente justificados
Nota: Consultar el apartado Observaciones para detalles del sistema de evaluación
40 %
Exámenes individuales: Pruebas objetivas, de desarrollo, de respuesta corta, de ejecución de tareas o de escala de actitudes, realizadas por los estudiantes para mostrar los conocimientos teóricos y prácticos adquiridos ya sea de forma oral, escrita o utilizando un ordenador.
Examen teórico-práctico presencial de carácter obligatorio con una valoración máxima de 10 puntos con una ponderación del 60% en la calificación final de la asignatura
Criterios:
Expresarse correctamente en español, así como las destrezas de comunicación y entendimiento sobre los conocimientos, procedimientos y resultados expuestos en clase
Inexistencia de errores ortográficos o gramaticales
Las respuestas son coherentes y pertinentes
Se contesta y explica con precisión a las preguntas planteadas
La presentación es clara, estructurada y ordenada
Correlación precisa entre las cuestiones planteadas y las respuestas entregadas
Los ejercicios están bien resueltos, justificados y detalladamente explicados
Nota: Consultar el apartado Observaciones para detalles del sistema de evaluación
60 %
Informe técnico. En este instrumento incluimos los resultados de actividades prácticas, o de laboratorio, junto con sus memorias descriptivas y posibles resúmenes del estado del arte sobre temas concretos. La opción de realizar entrevistas personales o presentaciones de los trabajos realizados también entran en esta categoría.
Evaluación presencial de resolución de tareas prácticas, con un peso del 40% en la calificación de la asignatura. Se evaluará la capacidad para resolver los problemas prácticos planteados, y la justificación de las decisiones técnicas adoptadas.
Criterios
Se valora el uso y aplicación correcta de los conocimientos, procedimientos y resultados aprendidos a las distintas cuestiones y ejercicios planteados Se valora que las respuestas sean coherentes, pertinentes y que se explique con precisión a las preguntas planteadas Los ejercicios tienen que estar bien resueltos y correctamente justificados
Nota: Consultar el apartado Observaciones para detalles del sistema de evaluación
40 %
Para aprobar la asignatura, se debe superar (nota igual o superior a 5 sobre 10) tanto una parte teórica (T) con un peso del 60%, como una parte práctica (P) con un peso del 40%.
Las prácticas (P) de la asignatura están sujetas a evaluación continua durante el periodo docente, esta evaluación se llevará a cabo mediante una serie de pruebas que se realizarán durante las sesiones de prácticas en el laboratorio.
Dentro del mismo curso académico, el estudiante tendrá derecho a presentarse únicamente a las partes no superadas (T o P), manteniendo la calificación de las partes (T o P) ya superadas en una convocatoria previa con nota igual o superior a 5 sobre 10. Las prácticas no se guardan parcialmente, si un alumno no ha superado la parte práctica durante la primera convocatoria del curso deberá superar un examen de la parte práctica en las convocatorias sucesivas que incluirá toda la materia del curso.
Se obtendrá la calificación "No presentado" cuando el estudiante no haya realizado ninguna de las pruebas de evaluación en la convocatoria correspondiente.
De acuerdo con el artículo 22 del REVA, el estudiante que se valga o facilite conductas fraudulentas, obtendrá la calificación de cero en el procedimiento de evaluación y podrá ser objeto de apertura de expediente disciplinario. Esto incluye la atribución de autoría de recursos y materiales no originales o elaborados por terceros sin referenciar a los autores, herramientas de Inteligencia Artificial, recursos de internet, etc.
Autor: Prince, Simon J. D.
Título: Understanding deep learning
Editorial: The MIT Press,
Fecha Publicación: 2023
ISBN: 9780262048644
Autor: Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J.
Título: Dive Into Deep Learning
Editorial: Cambridge University Press
Fecha Publicación: 2023
ISBN:
Autor: C. M. Bishop
Título: Deep Learning, Foundations and Concepts
Editorial: Springer Nature
Fecha Publicación: 2024
ISBN: https://link.springer.com/book/10. 1007/978-3-031-45468-4
Autor: Bishop, Christopher M.
Título: Pattern recognition and machine learning
Editorial: Springer
Fecha Publicación: 2006
ISBN: 9780387310732
Autor: Goodfellow, Ian
Título: Deep Learning
Editorial: MIT Press,
Fecha Publicación: 2017
ISBN: 9780262035613
Autor: Charu Aggarwal
Título: Neural networks and deep learning
Editorial: Springer
Fecha Publicación: 2023
ISBN: 2023https://link.springer.com/book/10.1007/978-3-031-29642-0