Denominación de la asignatura: Sistemas Cognitivos Artificiales
Postgrado al que pertenece: Máster Universitario en Inteligencia Artificial
Créditos ECTS: 6
Cuatrimestre en el que se imparte: Segundo cuatrimestre
Carácter de la asignatura: Obligatoria
Materia a la que pertenece: Inteligencia artificial aplicada

Presentación

Los sistemas cognitivos artificiales están extendiéndose a gran velocidad en muchos aspectos de nuestras vidas, así como en casi todas las áreas de negocio. En gran medida, esto se debe a la eclosión en los últimos años de una nueva rama conocida como deep learning (en español, aprendizaje profundo), desarrollada a partir de las clásicas redes neuronales. Ayudado por la disponibilidad de abundantes fuentes de datos y de nuevas capacidades computacionales, el aprendizaje profundo se basa en modelos más cercanos a la cognición humana y en nuevas y avanzadas representaciones del conocimiento, lo que ha permitido desarrollar revolucionarias soluciones para la visión por computador, la traducción de textos y juegos como el Go, entre otros.

En esta asignatura, veremos los fundamentos de esta nueva rama de la inteligencia artificial y cómo desarrollar sistemas cognitivos reales basados en ella. Los puntos a tratar son:

  • Introducción a los sistemas cognitivos y al aprendizaje profundo.
  • Entrenamiento de redes neuronales.
  • Frameworks de aprendizaje profundo.
  • Aspectos prácticos en el entrenamiento de redes neuronales profundas.
  • Convolutional Neural Networks (CNN).
  • Word Vectors.
  • Recurrent Neural Networks (RNN).
  • Aprendizaje por refuerzo profundo (deep reinforcement learning).
  • Redes neuronales en entornos Big Data.
  • Ecosistemas en la nube y puesta en producción de sistemas de inteligencia artificial.
  • Últimos avances en aprendizaje profundo.

Competencias básicas

  • CB6: Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
  • CB7: Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
  • CB8: Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
  • CB9: Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
  • CB10: Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Competencias generales

  • CG6: Desarrollar habilidades avanzadas de interpretación rigurosa de los resultados científico-técnicos obtenidos al aplicar algoritmos de inteligencia artificial.

Competencias específicas

  • CE6: Estimar y evaluar el rendimiento de un sistema de inteligencia artificial en base a las técnicas empleadas, los datos de entrada disponibles y el contexto de ejecución.
  • CE12: Diseñar e implementar un sistema automático de toma de decisiones en tiempo real.
  • CE13: Desarrollar la capacidad para diseñar e implementar un sistema que combine técnicas de inteligencia artificial, big data y computación en la nube.
  • CE14: Desarrollar sistemas de percepción computacional capaces de extraer conocimiento a partir de datos no estructurados como audio, imágenes, vídeo y datos de otros sensores.
  • CE15: Desarrollar sistemas de control capaces de dotar de autonomía a agentes artificiales en la interacción con su entorno.
  • CE17: Conocer los principales modelos de aprendizaje automático y detección de anomalías, así como su aplicación práctica en diferentes casos de uso que requieren automatización.
  • CE20: Diseñar y desarrollar sistemas inteligentes que generen interacciones naturales, teniendo en cuenta los estados cognitivos y emocionales del usuario.

Competencias transversales

  • CT2: Identificar las nuevas tecnologías como herramientas didácticas para el intercambio comunicacional en el desarrollo de procesos de indagación y de aprendizaje.
  • CT3: Desarrollar habilidades de comunicación, escritas y orales, para realizar atractivas y eficaces presentaciones de información profesional.
  • CT4: Adquirir la capacidad de trabajo independiente, impulsando la organización y favoreciendo el aprendizaje autónomo.

Tema 1. Introducción al aprendizaje profundo

  • Introducción al aprendizaje profundo
  • Historia y casos de éxito del aprendizaje profundo
  • Repaso de redes neuronales e inspiración biológica
  • Referencias bibliográficas

Tema 2. Entrenamiento de redes neuronales

  • Funciones de coste
  • Entrenamiento con gradient descent
  • Backpropagation

Tema 3. Frameworks de aprendizaje profundo

  • Frameworks de aprendizaje profundo
  • TensorFlow. Grafos de computación
  • Otros frameworks
  • Keras
  • Referencias bibliográficas

Tema 4. Aspectos prácticos en el entrenamiento de redes neuronales profundas

  • Unidades de activación
  • Inicialización de parámetros
  • Batch normalization
  • Optimización avanzada
  • Regularización
  • Referencias bibliográficas

Tema 5. Convolutional Neural Networks (CNN)

  • Introducción a las CNN
  • Convolution layers
  • Arquitecturas CNN para problemas de visión por computador
  • Data augmentation
  • Transfer Learning
  • Referencias bibliográficas

Tema 6. Word Vectors

  • Representaciones del lenguaje
  • Word2Vec
  • Referencias bibliográficas

Tema 7. Recurrent Neuronal Networks (RNN)

  • Recurrent Neural Networks
  • Modelos del lenguaje con RNN
  • Arquitecturas LSTM y GRU
  • Referencias bibliográficas

Tema 8. Agentes inteligentes. Deep Reinforcement Learning

  • Reinforcement Learning
  • Procesos de decisión de Markov
  • Deep Q-Learning

Tema 9. Redes neuronales en entornos Big Data

  • GPU para entrenamiento de redes neuronales profundas
  • Entrenamiento distribuido

Tema 10. Ecosistemas en la nube y puesta en producción de sistemas de inteligencia artificial

  • Servidores de modelos de inteligencia artificial
  • Ecosistemas en la nube
  • Aspectos prácticos de la puesta en producción de sistemas de machine learning

Tema 11. Últimos avances en aprendizaje profundo

  • Generative Adversarial Networks (GAN)
  • Meta-learning

Las actividades formativas de la asignatura se han elaborado con el objetivo de adaptar el proceso de aprendizaje a las diferentes capacidades, necesidades e intereses de los alumnos.

Las actividades formativas de esta asignatura son las siguientes:

  • Trabajo. Se trata de actividades de diferentes tipos: reflexión, análisis de casos, prácticas, etc.
  • Comentario de lecturas. Es un tipo de actividad muy concreto que consiste en el análisis de textos de artículos de autores expertos en diferentes temas de la asignatura.
  • Casos prácticos. Situarán al alumno ante situaciones reales que tendrán que analizar y tras ello tomar decisiones, evaluar consecuencias y alternativas.
  • Participación en eventos. Son eventos programados todas las semanas del cuatrimestre: sesiones presenciales virtuales, foros de debate.
Descargar programación

Estas actividades formativas prácticas se completan, por supuesto, con estas otras:

  • Estudio personal
  • Tutorías. Las tutorías se pueden articular a través de diversas herramientas y medios. Durante el desarrollo de la asignatura, el profesor programa tutorías en días concretos para la resolución de dudas de índole estrictamente académico a través de las denominadas “sesiones de consultas”. Como complemento de estas sesiones se dispone también del foro “Pregúntale al profesor de la asignatura” a través del cual se articulan algunas preguntas de alumnos y las correspondientes respuestas en el que se tratan aspectos generales de la asignatura. Por la propia naturaleza de los medios de comunicación empleados, no existen horarios a los que deba ajustarse el alumno.
  • Examen final presencial

Las horas de dedicación a cada actividad se detallan en la siguiente tabla:

ACTIVIDADES FORMATIVAS HORAS POR ASIGNATURA % PRESENCIAL
Clases en directo 15 horas 100%
Lecciones magistrales 6 horas 0
Estudio del material básico 52 horas 0
Lectura del material complementario 25 horas 0
Prácticas de laboratorio virtual 12 horas 0
Trabajos, casos prácticos y test de autoevaluación 17 horas 0
Tutorías 16 horas 0
Trabajo colaborativo 7 horas 0
Total 150 horas -

Bibliografía básica

Recuerda que la bibliografía básica es imprescindible para el estudio de la asignatura. Cuando se indica que no está disponible en el aula virtual, tendrás que obtenerla por otros medios: librería UNIR, biblioteca...

Bibliografía complementaria

  • Goodfellow, I., Bengio, Y. y Courville, A. (2016). The Deep Learning Book. Cambridge (Estados Unidos): The MIT Press.
  • He, K., Zhang, X., Ren, S. y Sun, J. (2015). Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification. [Lugar desconocido]: Microsoft Research. Recuperado de https://arxiv.org/pdf/1502.01852.pdf
  • Karpathy, A. (21 de mayo de 2015). The Unreasonable Effectiveness of Recurrent Neural Networks [Blog post].
  • Krizhevsky, A., Sutskever, I. y Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances in neural information processing systems, 25(2). DOI: 10.1145/3065386. Recuperado de https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
  • LeCun, Y., Bottou, L., Bengio, Y. y Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324. DOI: 10.1109/5.726791. Recuperado de http://vision.stanford.edu/cs598_spring07/papers/Lecun98.pdf
  • McCormick, C. (19 de abril de 2016). Word2Vec tutorial: the Skip-Gram model [Blog post].
  • Mikolov, T., Sutskever, I., Chen, K., Corrado, G. y Dean, J. (2013). Distributed Representations of Words and Phrases and their Compositionality. NIPS'13 Proceedings of the 26th International Conference on Neural Information Processing Systems, 2, 3111-3119.
  • Ng, A. (2017). Lecture note 16: Reinforcement Learning and Control [Lecture notes].
  • Ren, S., He, K., Girshick, R. y Sun. J. (2017). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6), 1137-1149. DOI: 10.1109/TPAMI.2016.2577031. Recuperado de https://arxiv.org/pdf/1506.01497.pdf
  • Shankar, A. y Dobson, W. (31 de octubre de 2017). Eager Execution: An imperative, define-by-run interface to TensorFlow [Blog post].

El sistema de calificación se basa en la siguiente escala numérica:

0 - 4, 9 Suspenso (SS)
5,0 - 6,9 Aprobado (AP)
7,0 - 8,9 Notable (NT)
9,0 - 10 Sobresaliente (SB)

La calificación se compone de dos partes principales:

El examen se realiza al final del cuatrimestre y es de carácter PRESENCIAL y OBLIGATORIO. Supone el 60% de la calificación final y para que la nota obtenida en este examen se sume a la nota final, es obligatorio APROBARLO.

La evaluación continua supone el 40% de la calificación final. Este 40% de la nota final se compone de las calificaciones obtenidas en las diferentes actividades formativas llevadas a cabo durante el cuatrimestre.

Ten en cuenta que la suma de las puntuaciones de las actividades de la evaluación continua permite que realices las que prefieras hasta conseguir el máximo puntuable mencionado. En la programación semanal de la asignatura, se detalla la calificación máxima de cada actividad o evento concreto puntuables.

Sistema de evaluación Ponderación min - max
Participación en foros y otros medios participativos 0% - 40%
Trabajos, laboratorios y casos 0% - 40%
Prácticas de laboratorio virtual 10% - 40%
Test de autoevaluación 0% - 40%
Examen final presencial 60% - 60%

Alfredo Láinez Rodrigo

Formación académica: Licenciado en Matemáticas e Ingeniero en Informática por la Universidad Autónoma de Madrid. Master of Science en Computational and Mathematical Engineering por la universidad de Stanford.

Experiencia:Cofundador y Director de Ingeniería en Vai Technologies. En el pasado, ha trabajado como Software Engineer en empresas como Google, Shazam e Indra.

Líneas de investigación: Machine Learning, Deep Learning, Natural Language Processing.

Obviamente, al tratarse de formación online puedes organizar tu tiempo de estudio como desees, siempre y cuando vayas cumpliendo las fechas de entrega de actividades, trabajos y exámenes. Nosotros, para ayudarte, te proponemos los siguientes pasos:

  1. Desde el Campus virtual podrás acceder al aula virtual de cada asignatura en la que estés matriculado y, además, al aula virtual del Curso de introducción al campus virtual. Aquí podrás consultar la documentación disponible sobre cómo se utilizan las herramientas del aula virtual y sobre cómo se organiza una asignatura en la UNIR y también podrás organizar tu plan de trabajo con tu tutor personal.
  2. Observa la programación semanal. Allí te indicamos qué parte del temario debes trabajar cada semana.
  3. Ya sabes qué trabajo tienes que hacer durante la semana. Accede ahora a la sección Temas del aula virtual. Allí encontrarás el material teórico y práctico del tema correspondiente a esa semana.
  4. Comienza con la lectura de las Ideas clave del tema. Este resumen te ayudará a hacerte una idea del contenido más importante del tema y de cuáles son los aspectos fundamentales en los que te tendrás que fijar al estudiar el material básico. Consulta, además, las secciones del tema que contienen material complementario.
  5. Dedica tiempo al trabajo práctico (sección Actividades y Test). En la programación semanal te detallamos cuáles son las actividades correspondientes a cada semana y qué calificación máxima puedes obtener con cada una de ellas.
  6. Te recomendamos que participes en los eventos del curso (sesiones presenciales virtuales, foros de debate…). Para conocer la fecha concreta de celebración de los eventos debes consultar las herramientas de comunicación del aula vitual. Tu profesor y tu tutor personal te informarán de las novedades de la asignatura.

En el aula virtual del Curso de introducción al campus virtual encontrarás siempre disponible la documentación donde te explicamos cómo se estructuran los temas y qué podrás encontrar en cada una de sus secciones.

Recuerda que en el aula virtual del Curso de introducción al campus virtual puedes consultar el funcionamiento de las distintas herramientas del aula virtual: Correo, Foro, Sesiones presenciales virtuales, Envío de actividades, etc.

Ten en cuenta estos consejos...

  • Sea cual sea tu plan de estudio, accede periódicamente al aula Virtual, ya que de esta forma estarás al día de las novedades del curso y en contacto con tu profesor y con tu tutor personal.
  • Recuerda que no estás solo: consulta todas tus dudas con tu tutor personal utilizando el correo electrónico. Además, siempre puedes consultar tus dudas sobre el temario en los foros que encontrarás en cada asignatura (Pregúntale al profesor).
  • ¡Participa! Siempre que te sea posible accede a los foros de debate. El intercambio de opiniones, materiales e ideas nos enriquece a todos.
  • Y ¡recuerda!, estás estudiando con metodología on line: tu esfuerzo y constancia son imprescindibles para conseguir buenos resultados. ¡No dejes todo para el último día!