Competencias

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 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.

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.

Contenidos

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

Metodología

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:

• Casos prácticos. Situarán al alumno ante situaciones reales de empresas que tendrán que analizar y tras ello tomar decisiones, evaluar consecuencias y alternativas. Permitirán adquirir hábitos intelectuales para abordar situaciones imprevisibles o programar planes de actuación adaptados a una realidad cambiante en la que no hay fórmulas matemáticas. .
• Participación en eventos. Son eventos programados todas las semanas del cuatrimestre: sesiones presenciales virtuales, foros de debate, test.
• Prácticas de laboratorios virtuales. Los laboratorios virtuales son sesiones presenciales virtuales que se llevan a cabo con herramientas de videoconferencia cuyo objetivo es que los alumnos utilicen algún tipo de herramienta informática para realizar uno o varios supuestos prácticos.

En la programación semanal puedes consultar cuáles son las actividades concretas que tienes que realizar en esta asignatura.

Descarga el pdf de la programación

• 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:

Bibliografía

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].

Evaluación y calificación

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

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. En ella se detalla la calificación máxima de cada actividad o evento concreto puntuables.

El sistema de evaluación de la asignatura es el siguiente:

Profesorado

Alfredo Láinez Rodrigo

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.

Orientaciones para el estudio

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:

1. Desde el Campus virtual podrás acceder al aula virtual de cada asignatura en la que estés matriculado y, además, al aula virtual de Lo que necesitas saber antes de empezar. 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 personal con tu profesor-tutor.
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, constituyen el contenido del tema y el material básico de estudio. Lee siempre el primer apartado, Presentación, porque allí te especificamos qué material tienes que estudiar. Consulta, además, las secciones del tema que contienen material complementario (Experiencias, Lecturas, Más recursos).
5. Dedica tiempo al trabajo práctico (sección Casos prácticos 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 profesor-tutor te informarán de las novedades de la asignatura.

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.