|
||||||||||||||||||||||
Consulta de los datos generales Descripción La asignatura en el conjunto del plan de estudios Campos profesionales en el que se proyecta Conocimientos previos Información previa a la matrícula Objetivos y competencias Contenidos Consulta de los recursos de aprendizaje de los que dispone la asignatura Consulta del modelo de evaluación | ||||||||||||||||||||||
Este es el plan docente de la asignatura para el primer semestre del curso 2024-2025. Podéis consultar si la asignatura se ofrece este semestre en el espacio del campus Más UOC / La universidad / Planes de estudios). Una vez empiece la docencia, tenéis que consultarlo en el aula. El plan docente puede estar sujeto a cambios. | ||||||||||||||||||||||
Desde los inicios de la inteligencia artificial (IA) se ha soñado con máquinas capaces de "pensar" de forma similar a como lo hacemos los seres humanos. Lejos de conseguir este ambicioso objetivo, en las últimas décadas y años hemos visto como se consiguieron superar importantes desafíos en ámbitos o problemas muy concretos. Por ejemplo, en 1997 la computadora Deep Blue de IBM fue capaz de ganar al ajedrez al campeón mundial Garry Kasparov. Aunque saber jugar correctamente al ajedrez es un problema muy complejo para los seres humanos, éste se rige por una serie de normas estrictas y en un entorno muy delimitado y perfectamente especificado. Esto hace que lo que es una tarea compleja (o muy compleja) para una persona, sea una tarea "fácil" de implementar en un computador. Los computadores, por regla general, se manejan bien en los escenarios formales. Es decir, escenarios cerrados, regidos por reglas y con un conjunto de actores finito. Por el contrario, algunas de las acciones más elementales e intuitivas para los humanos, como por ejemplo reconocer una persona, un animal o un objeto, pueden ser tareas tremendamente complejas de resolver para un computador. La principal dificultad radica en el hecho de que, en estos casos, no es fácil formalizar los conceptos abstractos que aparecen en estos escenarios. Definir formalmente los conceptos abstractos relacionados con estos escenarios es terriblemente complejo. La representación de los conceptos deviene un punto clave en la implementación modelos, y en el caso de los conceptos abstractos, la complejidad de la tarea dificulta enormemente que pueda ser implementado mediante los modelos de IA clásicos. Debido a la dificultad para introducir este tipo de conocimiento a priori en los modelos, se ha optado por utilizar modelos que sean capaces de extraer su propio conocimiento a partir de los datos. Esta área se ha denominado aprendizaje automático o machine learning. Existen multitud de técnicas y modelos que permiten aprender a partir de un conjunto de datos, como por ejemplo modelos de regresión, árboles de decisión o las máquinas de vectores soporte (SVM, support vector machine). En muchos casos, los modelos son capaces de aprender patrones a partir de los datos, pero no son capaces de aprender conceptos abstractos y complejos a partir de estos datos. El concepto de deep learning (o aprendizaje profundo) aparece como un subconjunto, dentro del aprendizaje automático, donde se persigue crear modelos que sean capaces de representar conceptos complejos y/o abstractos a partir de conceptos más sencillos. Es decir, el modelo es capaz de crear de forma automática una jerarquía de conceptos, empezando por conceptos simples, e ir mezclando estos conceptos más simples para ir creando conceptos cada vez más complejos. Esto permite definir conceptos abstractos como composiciones de conceptos mucho más simples. Cuando esta jerarquía de conceptos tiene múltiples capas, hablamos de la "profundidad" del modelo. Es aquí donde aparece el concepto de aprendizaje profundo o deep learning. Aunque actualmente se asocia el concepto de deep learning con las redes neuronales, existen otros modelos de aprendizaje automático que también son capaces de componer conceptos a partir de una jerarquía de conceptos más simples. Aún así, en esta asignatura nos centraremos en las distintas variedades de redes neuronales profundas, concreatemente redes neuronales convolucionales (CNN, convolutional neural networks) y redes recurrentes (RNN, recurrent neural networks), que actualmente representan el estado del arte en deep learning. |
||||||||||||||||||||||
Esta asignatura pertenece al conjunto de asignaturas optativas dentro del Máster universitario en Ciencia de datos (Data Science). |
||||||||||||||||||||||
El objetivo del máster es la formación de profesionales en la ciencia de datos. Esta asignatura, específicamente, se focaliza en los campos relacionados con el análisis de imágenes y de series temporales empleando algoritmos de aprendizaje profundo (o deep learning), en concreto redes neuronales convolucionales y redes neuronales recurrentes. |
||||||||||||||||||||||
Para la realización de esta asignatura se presuponen conocimientos de programación (principalmente en lenguaje Python), así como conocimientos de minería de datos o aprendizaje automático (machine learning). Se recomienda haber cursado la asignatura "Modelos Avanzados de Minería de Datos" antes de cursar esta asignatura. Además, como la metodología incluye estudios de casos y la investigación autónoma de información, es aconsejable que el estudiante esté familiarizado con la búsqueda de fuentes de información, el análisis de la información cuantitativa y cualitativa, la capacidad de sintetizar y obtener conclusiones así como de poseer ciertas habilidades de comunicación escrita. Finalmente, dada la naturaleza de la asignatura, es necesario utilizar herramientas, materiales adicionales y procedimientos descritos en lengua inglesa, por lo que un nivel básico de lectura y comprensión de textos técnicos es imprescindible. |
||||||||||||||||||||||
Algunos de los contenidos de esta asignatura deben estudiarse a partir de materiales y recursos escritos en inglés. |
||||||||||||||||||||||
Los objetivos que se pretende que el estudiante alcance mediante esta asignatura son los siguientes:
|
||||||||||||||||||||||
Parte I. Introducción 1. Introducción y contextualización
2. Conceptos básicos de aprendizaje automático
Parte II. Redes neuronales artificiales 3. Principios y fundamentos
4. Optimización del proceso de aprendizaje
5. Autoencoders
Parte III. Redes neuronales convolucionales 6. Introducción y conceptos básicos
7. Componentes y estructura de una CNN
8. Arquitecturas de CNN
Parte IV. Redes neuronales recurrentes 10. Fundamentos de las redes recurrentes
11. Tipología de celdas recurrentes
12. Arquitecturas de redes recurrentes
|
||||||||||||||||||||||
|
||||||||||||||||||||||
|