• Descripción

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.

• La asignatura en el conjunto del plan de estudios

Esta asignatura pertenece al conjunto de asignaturas optativas dentro del Máster universitario en Ciencia de datos (Data Science).

• Campos profesionales en el que se proyecta

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.

• Conocimientos previos

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.

• Información previa a la matrícula

Algunos de los contenidos de esta asignatura deben estudiarse a partir de materiales y recursos escritos en inglés.

• Objetivos y competencias

Los objetivos que se pretende que el estudiante alcance mediante esta asignatura son los siguientes:

• Entender el funcionamiento de las redes neuronales artificiales, así como de sus principales parámetros y diferentes arquitecturas.
• Conocer y saber aplicar los principales métodos de optimización en redes neuronales, tales como el tunning de hiper-parámetros, el dropout, función de entropía cruzada, métodos de regularización, etc.
• Conocer los diferentes tipos de auto-encoders, así como su funcionamiento, arquitecturas y objetivos principales.
• Entender el funcionamiento, los componentes, la estructura y las principales arquitecturas de una red neuronal convolucional (CNN).
• Entender el funcionamiento, los componentes, la estructura y las principales arquitecturas de una red neuronal recurrente (RNN).
• Conocer los principios y aplicaciones de los transformadores (transformers).
• Conocer los fundamentos y aplicaciones de los modelos generativos (generative models).

• Contenidos

Parte I. Redes neuronales artificiales

1. Introducción al Deep Learning

2. Las redes neuronales artificiales

Parte II. Redes neuronales convolucionales

3. Fundamentos de las redes neuronales convolucionales

4. Arquitecturas y aplicaciones de las redes neuronales convolucionales

Parte III. Redes neuronales recurrentes

5. Redes Neuronales Recurrentes

Parte IV. Transformadores

6. Transformadores

Parte V. Modelos generativos

7. Modelos generativos

• Consulta de los recursos de aprendizaje de la UOC para la asignatura

• Informaciones sobre la evaluación en la UOC

En la UOC, la evaluación generalmente es virtual. Se estructura en torno a la evaluación continua, que incluye diferentes actividades o retos; la evaluación final, que se lleva a cabo mediante pruebas o exámenes, y el trabajo final de la titulación.

Las actividades o pruebas de evaluación pueden ser escritas y/o audiovisuales, con preguntas aleatorias, pruebas orales síncronas o asíncronas, etc., de acuerdo con lo que decida cada equipo docente. Los trabajos finales representan el cierre de un proceso formativo que implica la realización de un trabajo original y tutorizado que tiene como objetivo demostrar la adquisición competencial hecha a lo largo del programa.

Para verificar la identidad del estudiante y la autoría de las pruebas de evaluación, la UOC se reserva la potestad de aplicar diferentes sistemas de reconocimiento de la identidad y de detección del plagio. Con este objetivo, la UOC puede llevar a cabo grabación audiovisual o usar métodos o técnicas de supervisión durante la ejecución de cualquier actividad académica.

Asimismo, la UOC puede exigir al estudiante el uso de dispositivos electrónicos (micrófonos, cámaras u otras herramientas) o software específico durante la evaluación. Es responsabilidad del estudiante asegurar que estos dispositivos funcionan correctamente.

El proceso de evaluación se fundamenta en el trabajo personal del estudiante y presupone la autenticidad de la autoría y la originalidad de las actividades académicas. La web sobre integridad académica y plagio de la UOC contiene información al respecto.

La falta de autenticidad en la autoría o de originalidad de las pruebas de evaluación; la copia o el plagio; la suplantación de identidad; la aceptación o la obtención de cualquier actividad académica a cambio o no de una contraprestación; la colaboración, el encubrimiento o el favorecimiento de la copia, o el uso de material, software o dispositivos no autorizados en el plan docente o el enunciado de la actividad académica, incluida la inteligencia artificial y la traducción automática, entre otras, son conductas irregulares en la evaluación que pueden tener consecuencias académicas y disciplinarias graves.

Estas conductas irregulares pueden conllevar el suspenso (D/0) en las actividades evaluables definidas en el plan docente -incluidas las pruebas finales- o en la calificación final de la asignatura, ya sea porque se han utilizado materiales, software o dispositivos no autorizados durante las pruebas (como el uso de inteligencia artificial no permitida, redes sociales o buscadores de información en internet), porque se han copiado fragmentos de texto de una fuente externa (internet, apuntes, libros, artículos, trabajos o pruebas de otros estudiantes, etc.) sin la citación correspondiente, por la compraventa de actividades académicas, o porque se ha llevado a cabo cualquier otra conducta irregular.

Asimismo, y de acuerdo con la normativa académica, las conductas irregulares en la evaluación también pueden dar lugar a la incoación de un procedimiento disciplinario y a la aplicación, si procede, de la sanción que corresponda, de conformidad con lo establecido en la normativa de convivencia de la UOC.

En el marco del proceso de evaluación, la UOC se reserva la potestad de:

• Solicitar al estudiante que acredite su identidad según lo establecido en la normativa académica.
• Solicitar al estudiante que acredite la autoría de su trabajo a lo largo de todo el proceso de evaluación, tanto en la evaluación continua como en la evaluación final, a través de una entrevista oral síncrona, que puede ser objeto de grabación audiovisual, o por los medios establecidos por la UOC. Estos medios tienen el objetivo de verificar los conocimientos y las competencias que garanticen la identidad del estudiante. Si no es posible garantizar que el estudiante es el autor de la prueba, esta puede ser calificada con una D, en el caso de la evaluación continua, o con un suspenso, en el caso de la evaluación final.

Inteligencia artificial en el marco de la evaluación

La UOC reconoce el valor y el potencial de la inteligencia artificial (IA) en el ámbito educativo y, a su vez, pone de manifiesto los riesgos que supone si no se utiliza de forma ética, crítica y responsable. En este sentido, en cada actividad de evaluación se informará al estudiantado sobre las herramientas y los recursos de IA que se pueden utilizar y en qué condiciones. Por su parte, el estudiantado se compromete a seguir las indicaciones de la UOC a la hora de realizar las actividades de evaluación y de citar las herramientas utilizadas y, concretamente, a identificar los textos o imágenes generados por sistemas de IA, los cuales no podrá presentar como si fueran propios.

Respecto a usar o no la IA para resolver una actividad, el enunciado de las actividades de evaluación indica las limitaciones en el uso de estas herramientas. Debe tenerse en cuenta que usarlas de manera inadecuada, como por ejemplo en actividades en las que no están permitidas o no citarlas en las actividades en las que sí lo están, puede considerarse una conducta irregular en la evaluación. En caso de duda, se recomienda que, antes entregar la actividad, se haga llegar una consulta al profesorado colaborador del aula.

• Consulta del modelo de evaluación