Última actualización: 24/04/2024


Curso Académico: 2024/2025

Redes de neuronas artificiales
(13898)
Grado en Ingeniería Informática (Plan: 489 - Estudio: 218)


Coordinador/a: ISASI VIÑUELA, PEDRO

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Optativa
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:

Rama de Conocimiento: Ingeniería y Arquitectura



Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Programación. Primer curso, primer cuatrimestre Álgebra Lineal. Primer curso, primer cuatrimestre Estadística. Segundo curso, segundo cuatrimestre
Objetivos
El objetivo de este curso es que el estudiante conozca y desarrolle técnicas de aprendizaje automático en el marco de las Redes de Neuronas Artificiales, además de diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de datos.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción 1.1. Fundamentos de Redes de neuronas 1.2. Historia de las Redes de Neuronas 1.3. Primeros modelos computacionales 2. Perceptron multicapa 2.1. Arquitectura y parámetros 2.2. Algoritmo de aprendizaje 2.3. Procedimiento de aprendizaje 3. Modelos de Redes de neuronas no supervisados 3.1. Fundamentos del aprendizaje neuronal no supervisado 3.2. Tarea de agrupamiento o clustering 3.3. Mapas autoorganizados de Kohonen 3.4. Autoencoders 3.5. Otros modelos no supervisados 4. Redes de neuronas recurrentes 4.1. Fundamentos de las redes de neuronas recurrentes 4.2. Aprendizaje en redes recurrentes 4.3. Modelos de redes recurrentes 5. Redes neuronales profundas 5.1. Tarea de procesado de imágenes 5.2. Fundamentos de redes convolucionales 5.3. Arquitecturas de redes convolucionales 5.4. Modelos avanzados de redes de neuronas 6. Caso practico 6.1. Tratamiento y preproceso de los datos de aprendizaje 6.2. Generación y validación de un modelo de red neuronal 6.3. Ajuste de hiperparámetros 6.4. Comparación de modelos
Actividades formativas, metodología a utilizar y régimen de tutorías
Las clases magistrales estarán enfocadas a enseñar todos los conceptos relativos a redes de neuronas, de modo que el alumno adquiera los conocimientos sobre redes de neuronas artificiales necesarios para su desarrollo profesional y se realizarán en modo on-line síncrono. 3 ECTS Las clases prácticas (grupos reducidos) se desarrollarán para que, de un modo tutorado, el alumno aprenda a resolver problemas reales con redes de neuronas artificiales. Las prácticas se realizarán en grupos de 2 personas, fomentado el trabajo en equipo (Soft-skill: trabajo en grupo). 3 ECTS En el cronograma puede verse la distribución exacta correspondiente a cada actividad.
Sistema de evaluación
  • Peso porcentual del Examen Final 40
  • Peso porcentual del resto de la evaluación 60

Calendario de Evaluación Continua


Convocatoria extraordinaria: normativa
Bibliografía básica
  • Fernando Berzal. Redes Neuronales & Deep Learning. Edición independiente. 2018. https://deep-learning.ikor.org
  • Ian Goodfellow, Yoshua Bengio & Aaron Courville. Deep Learning . MIT Press. 2016. http://www.deeplearningbook.org
  • Pedro Isasi e Inés M. Galván. Redes de Neuronas Artificiales: Un enfoque práctico. Pearson. Prentice Hall. Madrid 2004.
  • Simon O. Haykin. Neural Networks and Learning Machines. Prentice Hall, 3rd edition. 2008
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • Charu C. Aggarwal. Neural Networks and Deep Learning: A Textbook. Springer. 2018. http://link.springer.com/978-3-319-94463-0
  • Mohamad H. Hassoun: . Fundamentals of Artificial Neural Networks . MIT Press. 2003
  • T.M. Mitchell. Machine Learning. McGraw Hill. 1997
Contenido detallado de la asignatura o información adicional para TFM
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


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