Última actualización: 31/05/2023


Curso Académico: 2023/2024

Aprendizaje Profundo
(19206)
Máster Universitario en Inteligencia Artificial Aplicada (Plan: 475 - Estudio: 378)
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: 3.0 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 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.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
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
Actividades formativas, metodología a utilizar y régimen de tutorías
AF1 Clase teórica AF2 Clases prácticas AF3 Clases teórico prácticas AF4 Prácticas de laboratorio AF5 Tutorías AF6 Trabajo en grupo AF7 Trabajo individual del estudiante AF8 Exámenes parciales y finales
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100
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.