Última actualización: 19/05/2022


Curso Académico: 2022/2023

Redes Neuronales
(16506)
Titulación: Grado en Ciencia e Ingeniería de Datos (350)


Coordinador/a: MARTÍNEZ OLMOS, PABLO

Departamento asignado a la asignatura: Departamento de Teoría de la Señal y Comunicaciones

Tipo: Obligatoria
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
El curso requiere los siguientes conocimientos básicos: - Cálculo - Programación - Métodos Numéricos - Aprendizaje Estadístico - Aprendizaje Automático
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
En este curso se introduce al alumno un conjunto de herramientas básicas para resolver problemas de aprendizaje basadas en redes neuronales. Se proporciona esquemas básicos para el modelado de problemas de distinta índole, así como herramientas para la optimización numérica del modelo en base a los datos existentes. PARTE I: CONCEPTOS GENERALES 1. Introducción a las Redes Neuronales. El perceptrón multicapa. 2. Entrenamiento de una Red Neuronal. Cálculo de gradientes usando propagación inversa. 3. Regularización. PARTE II: APRENDIZAJE SUPERVISADO 1. Aprendizaje Supervisado con redes neuronales profundas. Ejemplo de aplicación. 2. Modelado Secuencial: redes neuronales recursivas. Ejemplo de aplicación. PARTE II: APRENDIZAJE NO SUPERVISADO 1. Aprendizaje no supervisado con redes neuronales profundas. Ejemplo de aplicación. 2. Modelos generativos utilizando redes neuronales profundas.
Actividades formativas, metodología a utilizar y régimen de tutorías
AF1: CLASES TEÓRICO-PRÁCTICAS. En ellas se presentarán los conocimientos que deben adquirir los alumnos. Estos recibirán las notas de clase y tendrán textos básicos de referencia para facilitar el seguimiento de las clases y el desarrollo del trabajo posterior. Se resolverán ejercicios, prácticas problemas por parte del alumno y se realizarán talleres y prueba de evaluación para adquirir las capacidades necesarias. AF2:  Actualizado a alegación AF3: TRABAJO INDIVIDUAL O EN GRUPO DEL ESTUDIANTE. AF8: TALLERES Y LABORATORIOS. AF9: EXAMEN FINAL. En el que se valorarán de forma global los conocimientos, destrezas y capacidades adquiridas a lo largo del curso. MD1: CLASE TEORÍA. Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporcionan los materiales y la bibliografía para complementar el aprendizaje de los alumnos. MD2: PRÁCTICAS. Resolución de casos prácticos, problemas, etc. planteados por el profesor de manera individual o en grupo. MD3: TUTORÍAS. Asistencia individualizada (tutorías individuales) o en grupo (tutorías colectivas) a los estudiantes por parte del profesor. MD6: PRÁCTICAS DE LABORATORIO. Docencia aplicada/experimental a talleres y laboratorios bajo la supervisión de un tutor.
Sistema de evaluación
  • Peso porcentual del Examen Final 30
  • Peso porcentual del resto de la evaluación 70
Calendario de Evaluación Continua
Bibliografía básica
  • Cristopher Bishop. Pattern Recognition and Machine Learning. Springer. 2006
  • Ian Goodfellow and Yoshua Bengio and Aaron Courville. Deep Learning. MIT Press. 2017
  • Kevin Murphy. Machine Learning A Probabilistic Perspective. MIT Press. 2012

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.