Denominación de la asignatura |
Sistemas Cognitivos Artificiales |
Máster al que pertenece |
Máster Universitario en Inteligencia Artificial |
Materia a la que pertenece |
Inteligencia artificial aplicada |
Créditos ECTS |
6 |
Cuatrimestre en el que se imparte |
Segundo cuatrimestre |
Carácter de la asignatura | Obligatoria |
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:
Competencias básicas:
Competencias generales:
Competencias transversales:
Competencias específicas:
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:
En la programación semanal puedes consultar cuáles son las actividades concretas que tienes que realizar en esta asignatura.
Estas actividades formativas prácticas se completan, por supuesto, con estas otras:
Las horas de dedicación a cada actividad se detallan en la siguiente tabla:
ACTIVIDADES FORMATIVAS | HORAS |
Sesiones Presenciales Virtuales | 15 |
Lecciones magistrales | 6 |
Estudio del material básico | 52 |
Lectura del material complementario | 25 |
Prácticas de laboratorio virtual | 12 |
Trabajos, casos prácticos y test de autoevaluación | 17 |
Tutorías | 16 |
Trabajo colaborativo (foros) | 7 |
Total |
150 |
Bibliografía básica.
Los textos necesarios para el estudio de la asignatura han sido elaborados por la UNIR y están disponibles en formato digital para consulta, descarga e impresión en el aula virtual.
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:
CALIFICACIÓN | EXAMEN FINAL | 60% | |
EVALUACIÓN CONTINUA | 40% |
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. En ella se detalla la calificación máxima de cada actividad o evento concreto puntuables.
El sistema de evaluación de la asignatura es el siguiente:
SISTEMA DE EVALUACIÓN |
PONDERACIÓN |
PONDERACIÓN |
Participación en foros y otros medios participativos |
0 |
40% |
Realización de trabajos, proyectos y casos |
0 |
40% |
Prácticas de laboratorio virtual |
10% |
40% |
Test de autoevaluación |
0 |
40% |
Examen final presencial |
60% |
60% |
Alfredo Láinez Rodrigo
Formación: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 on-line 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:
Recuerda que en el aula virtual de Lo que necesitas saber antes de empezar 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…
|