Última actualización: 14/03/2024


Curso Académico: 2024/2025

Aprendizaje Profundo
(19277)
Máster Universitario en Aprendizaje Automático para la Salud (Plan: 480 - Estudio: 359)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: MARTÍNEZ OLMOS, PABLO

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

Tipo: Optativa
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
Objetivos
El objetivo del curso es la descripción e implementación de los modelos y arquitecturas fundamentales en aprendizaje profundo, abarcando problemas de distinta índole y metodologías avanzadas.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
Neural networks and backpropagation. Deep networks: optimization and regularization for massive data. Deep architecture and methods for spatially correlated data. Deep architectures and methods for sequences. Deep attention models and transformers. Representation learning. Generative deep neural networks.
Actividades formativas, metodología a utilizar y régimen de tutorías
AF3 Clases teórico prácticas AF4 Prácticas de laboratorio AF5 Tutorías AF6 Trabajo en grupo AF7 Trabajo individual del estudiante AF8 Exámenes parciales y finales Código actividad Nº Horas totales Nº Horas Presenciales % Presencialidad Estudiante AF3 134 134 100% AF4 42 42 100% AF5 24 0 0% AF6 120 0 0% AF7 248 0 0% AF8 16 16 100% TOTAL MATERIA 600 184 30,66%
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.