Departamento asignado a la asignatura: Departamento de Teoría de la Señal y Comunicaciones
Tipo: Optativa
Créditos: 3.0 ECTS
Curso: 1º
Cuatrimestre: 1º
Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
El curso requiere los siguientes conocimientos básicos:
- Cálculo
- Programación
- Métodos Numéricos
Objetivos
El objetivo fundamental de esta asignatura es que el alumno conozca y aprenda a utilizar esquemas de aprendizaje basados en redes neuronales avanzadas, con especial énfasis en aplicaciones de visión por ordenador, tratamiento de señales de audio, y en el ajuste de modelos probabilísticos para la generación de datos artificiales.
1. Modelado probabilístico con redes profundas: VAEs
2. Modelado probabilístico con redes profundas: GANs
3. Modelos de representación implícita
4. Segmentación y detección de objetos con redes profundas. Modelos de atención para imágenes
5. Procesado profundo de voz y audio
6. Modelado probabilístico con redes profundas: Modelos de difusión
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades formativas:
AF1 Clases teóricas (Mediante presentaciones digitales)
AF2 & AF4 Clases prácticas de programación en laboratorio
AF5 Tutorías
AF6 Trabajo en grupo para la resolución de proyectos relacionados con el aprendizaje profundo
AF8 Exámenes parciales y finales
Metodología:
MD1 Clase teórica
MD3 Clases prácticas
MD3 Prácticas de laboratorio
MD5 Trabajo en grupo
Examenes individuales y tutorías
Bishop, Christopher Michael and Bishop, Hugh. . Deep Learning - Foundations and Concepts. 1 Edited by Springer Cham. 2023
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.
