![]() |
Guia docente | |||||||||||||||||||||||||||||||||||||||
DATOS IDENTIFICATIVOS | 2024_25 | |||||||||||||||||||||||||||||||||||||||
Asignatura | APRENDIZAJE AUTOMÁTICO AVANZADO | Código | 00717019 | |||||||||||||||||||||||||||||||||||||
Enseñanza |
|
|||||||||||||||||||||||||||||||||||||||
Descriptores | Cr.totales | Tipo | Curso | Semestre | ||||||||||||||||||||||||||||||||||||
6 | Obligatoria | Segundo | Segundo |
|||||||||||||||||||||||||||||||||||||
Idioma |
|
|||||||||||||||||||||||||||||||||||||||
Prerrequisitos | ||||||||||||||||||||||||||||||||||||||||
Departamento | ING.ELECTR.DE SIST. Y AUTOMATI |
|||||||||||||||||||||||||||||||||||||||
Responsable |
|
Correo-e | ealeg@unileon.es efidf@unileon.es |
|||||||||||||||||||||||||||||||||||||
Profesores/as |
|
|||||||||||||||||||||||||||||||||||||||
Web | http:// | |||||||||||||||||||||||||||||||||||||||
Descripción general | ||||||||||||||||||||||||||||||||||||||||
Tribunales de Revisión |
|
|||||||||||||||||||||||||||||||||||||||
Competencias |
Código | |
A18964 | 717CE10 Capacidad para comprender, seleccionar y aplicar las técnicas y herramientas de aprendizaje automático más adecuadas que permitan transformar los datos en conocimiento, para la resolución de un problema. |
A18968 | 717CE14 Capacidad para comprender, seleccionar y aplicar las técnicas y herramientas de aprendizaje profundo y sistemas inteligentes avanzados para la resolución de un problema, incluyendo las dedicadas al tratamiento de grandes volúmenes de datos. |
A18973 | 717CE19 Capacidad para diseñar soluciones basadas en redes neuronales artificiales para la resolución de problemas en el ámbito de la ingeniería de datos. |
B5802 | 0717CG3 Capacidad para concebir, diseñar, analizar, implementar y utilizar aplicaciones para el análisis de datos y la extracción de conocimiento a partir de distintas fuentes de datos. |
B5803 | 0717CG4 Capacidad para saber comunicar y transmitir conocimientos, habilidades y destrezas, comprendiendo la responsabilidad ética, social y profesional de la actividad del tratamiento de datos y de la inteligencia artificial. |
B5806 | 0717CT1 Capacidad para el análisis, síntesis, resolución de problemas y la toma de decisiones. |
B5807 | 0717CT2 Capacidad para la interpretación de resultados con iniciativa, creatividad y razonamiento crítico y autocrítico. |
C2 | CMECES2 Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio. |
C4 | CMECES4 Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado |
Resultados de aprendizaje |
Resultados | Competencias | ||
Conoce las técnicas de sistemas inteligentes avanzados y de aprendizaje profundo | A18964 A18968 A18973 |
B5806 |
|
Aplica, analiza y selecciona los procedimientos de sistemas inteligentes avanzados y aprendizaje profundo para diseñar soluciones a problemas. | A18964 A18968 A18973 |
B5802 B5806 |
|
Diseña soluciones basadas en redes neuronales artificiales. | A18973 |
B5802 |
|
Interpreta resultados con iniciativa, creatividad y razonamiento crítico. | B5802 B5807 |
||
Transmite conocimientos, información, ideas y soluciones | B5803 |
C2 C4 |
Contenidos |
Bloque | Tema |
BLOQUE I. TEORIA | 1. Introducción al Aprendizaje Profundo 2. Revisión de conceptos de redes neuronales 3. Regularización para Aprendizaje Profundo 4. Optimización para entrenar modelos profundos 5. Redes convolucionales 6. Modelado de secuencias: Redes Recurrentes y Recursivas 7. Modelos de Atención y Transformers 8. Autoencoders 9. Aprendizaje por Refuerzo 10. Modelos profundos generativos |
BLOQUE II. PRÁCTICAS | Se realizarán prácticas utilizando el lenguaje de programación Python orientadas a reforzar los conceptos vistos en teoría y también a facilitar la realización del proyecto del curso. |
Planificación |
Metodologías :: Pruebas | |||||||||
Horas en clase | Horas fuera de clase | Horas totales | |||||||
Presentaciones/exposiciones | 4 | 6 | 10 | ||||||
Practicas a través de TIC en aulas informáticas | 22 | 18 | 40 | ||||||
Resolución de problemas/ejercicios en el aula ordinaria | 4 | 2 | 6 | ||||||
Autónomas | 0 | 10 | 10 | ||||||
Trabajos | 8 | 36 | 44 | ||||||
Sesión Magistral | 20 | 20 | 40 | ||||||
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
descripción | |
Presentaciones/exposiciones | Los estudiantes explicarán durante las clases teóricas el proyecto realizado utilizando una presentación preparada previamente siguiendo las indicaciones proporconadas por el profesor. |
Practicas a través de TIC en aulas informáticas | Las prácticas de la asignatura se realizarán utilizando Python (3.X). Disponible en el laboratorio F3 aunque se recomienda que cada estudiante lo instale también en su ordenador personal. Se recomienda usar Python 3.X a partir de la instalación del entorno Anaconda (https://www.continuum.io/downloads). Preferiblemente se utilizará el IDE Spyder, incluido en dicha instalación. Las prácticas se realizarán siguiendo los guiones dejados en Agora. Las dudas se resolverán consultando al profesor. Se entregará su solución en una tarea habilitada para ello en Agora. |
Resolución de problemas/ejercicios en el aula ordinaria | Realización de ejercicios usando diversos medios como puede ser la tableta, el encerado y también mediante diapositivas y ejemplos utilizando Excel. También se podrán dejar ejercicios en Agora, con soluciones, la mayoría de las veces también con ejemplos resueltos en Excel. |
Autónomas | Se le propondrá al alumno la realización de cursos online, típicamente en plataformas MOOC, de muy corta duración para reforzar completar la formación recibida. |
Trabajos | El alumno realizará un proyecto durante el curso que estará basado en los contenidos teóricos explicados en las clases y podrá aprovechar alguna de las prácticas realizadas en el laboratorio. |
Sesión Magistral | Sesiones teóricas en el aula utilizando diapositivas. También se podrán dejar presentaciones o documentos correspondientes a los materiales de cada lección en Agora. Las lecciones podrán ir acompañadas de vídeos relacionados con los conceptos presentados, algunos grabados por los profesores y otros procedentes de recursos de internet que los profesores consideren especialmente apropiados. Algunas lecciones irán acompañadas de un cuestionario con preguntas, que podrán ser tanto teóricas como prácticas, cuyas entregas serán evaluables. Previsiblemente se utilizarán cursos de la plataforma Datacamp, o cursos similares, para reforzar algunas lecciones impartidas, siendo algunos cursos opcionales y otros obligatorios. |
Tutorías |
|
|
Evaluación |
descripción | calificación | ||
Practicas a través de TIC en aulas informáticas | La entrega de las prácticas que se indiquen como obligatorias, así como las actividades complementarias indicadas como obligatorias, se valorarán con un 10% de la nota total. Para superar el curso debe superarse todas las actividades obligatorias. |
10 | |
Sesión Magistral | Los contenidos impartidos en las clases teóricas, tanto conceptos teóricos como ejercicios, se valorarán mediante exámenes escritos suponiendo dichos exámenes el 50% de la nota del curso. | 50 | |
Autónomas | Algunas prácticas y otras actividades que se indiquen tendrán carácter voluntario y tendrán un valor del 10% de la nota del curso. Podrá superarse el curso sin entregar ninguna de las actividades voluntarias aunque no se obtendrá la nota correspondiente a la realización de las mismas. |
10 | |
Trabajos | El alumno realizará un proyecto durante la asignatura que será evaluado mediante las entregas y presentaciones realizadas y sus correspondientes exámenes de validación escritos. Es obligatorio realizar el proyecto y superar su evaluación para aprobar el curso. Dicho proyecto tendrá un valor del 30% de la nota del curso y se valorará tanto mediante presentaciones y exámenes de validación escritos. De ese 30%, el 15% corresponde a la nota de las presentaciones y el otro 15% a la nota del examen o exámenes de validación. | 30 | |
Otros comentarios y segunda convocatoria | |||
Los contenidos impartidos en las clases teóricas, tanto conceptos teóricos como ejercicios, se valorarán mediante exámenes escritos suponiendo dichos exámenes el 50% de la nota del curso. El alumno realizará un proyecto durante la asignatura que será evaluado mediante las entregas y presentaciones realizadas y sus correspondientes exámenes de validación escritos. Es obligatorio realizar el proyecto y superar su evaluación para aprobar el curso. Dicho proyecto tendrá un valor del 30% de la nota del curso y se valorará tanto mediante presentaciones y exámenes de validación escritos. De ese 30%, el 15% corresponde a la nota de las presentaciones y el otro 15% a la nota del examen o exámenes de validación. La entrega de las prácticas que se indiquen como obligatorias, así como las actividades complementarias indicadas como obligatorias, se valorarán con un 10% de la nota total. Algunas prácticas y otras actividades que se indiquen tendrán carácter voluntario y tendrán un valor del 10% de la nota del curso. Podrá superarse el curso sin entregar ninguna de las actividades voluntarias aunque no se obtendrá la nota correspondiente a la realización de las mismas. Para superar el curso es necesario obtener un 50% de la nota máxima de todas las actividades oblitatorias, que son todas las indicadas anteriormente excepto las actividades señaladas como voluntarias. Las condiciones para superar el curso en segunda convocatoria son las mismas que en primera convocatoria. |
Fuentes de información |
Acceso a la Lista de lecturas de la asignatura |
Básica |
![]() ![]() ![]() ![]() ![]() ![]() |
Ian Goodfellow, Yoshua Bengio and Aaron Courville. Deep
Learning (Adaptive Computation and Machine Learning series) Illustrated
Edition. The MIT Press, 2016. Online version: https://www.deeplearningbook.org/ Aston Zhang, Zachary C. Lipton, Mu Li and Alexander J. Smola. Dive into Deep Learning. Cambridge Univerity Press. 2023 Francois Chollet. Deep learning with Python, Manning, 2nd edition, 2021. Andrew S. Glassner. Deep Learning: A visual Approach. No Starch Press. 2021 |
|
Complementaria |
![]() ![]() |
Lewis Tunstall, Leandro von Werra and Thomas Wolf.Natural Language Processing with transformers: Building Language Applications with Hugging Face. O’Relly. 2022. Mohamed Elgendy. Deep Learning for Vision Systems. Manning. 2020 |
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente | |||||||
|