Redes neuronais e aprendizaxe profunda

As redes neuronais son un método de aprendizaxe automática supervisada. Nesta materia impártense os modelos de redes neuronais máis importantes, desde as redes clásicas ás redes neuronais profundas, analizando os métodos de adestramento e os seus aspectos teóricos e prácticos. Tamén se estudarán as redes neuronais recorrentes para o procesamento de información secuencial. Ademais, abordaranse algunhas das aplicacións máis exitosas das redes neuronais profundas, entre elas a visión por computador mediante redes neuronais convolucionais.

TEORÍA
Tema 1: Introducción ás redes neuronais.
Tema 2: Redes neuronais convolucionais.
Tema 3: Redes neuronais recurrentes.
Tema 4: Transformadores.
Tema 5: Autocodificadores.
Tema 6: Redes generativas adversarias.

PRÁCTICAS
Realizaranse un conxunto de boletíns de prácticas relacionados con redes convolucionais; redes recurrentes e transformadores; e autocodificadores e redes xerativas adversarias.

BIBLIOGRAFÍA BÁSICA
- A. Bosch Rué, J. Casas-Roma, T. Lozano Bagén (2019): Deep learning : principios y fundamentos. https://elibro-net.ezbusc.usc.gal/es/ereader/busc/126167/
- A. Zhang, Z.C. Lipton, A.J. Smola (2023): Dive into Deep Learning. https://d2l.ai

BIBLIOGRAFÍA COMPLEMENTARIA
- R. Atienza (2018): Advanced deep learning with Keras : apply deep learning techniques, autoencoders, GANs, variational autoencoders, deep reinforcement learning, policy gradients, and more. https://ebookcentral-proquest-com.ezbusc.usc.gal/lib/buscsp/detail.acti…
- M. Phi (2018): Illustrated Guide to LSTM’s and GRU’s A step by step explanation by Michael Phi Towards Data Science. https://towardsdatascience.com/illustrated-guide-to-lstms-and-gru-s-a-s…
- M. Steward (2019): Comprehensive Introduction to Autoencoders. https://towardsdatascience.com/generating-images-with-autoencoders-77fd…
- X. Mao, Q. Li (2021): Generative Adversarial Networks for Image Generation. Springer. https://link-springer-com.ezbusc.usc.gal/book/10.1007/978-981-33-6048-8
- J. Langr, W. Bok (2019): GANs in Action: Deep Learning with Generative Adversarial Networks.

O alumnado adquirirá un conxunto de competencias xenéricas, outras asociadas específicamente á Intelixencia Artificial, e outras máis transversais:

COMPETENCIAS BÁSICAS E XERAIS
[CB2] Que o alumnado saiba aplicar os seus coñecementos ao seu traballo ou vocación dunha forma profesional e posúa as competencias que adoitan demostrarse mediante a elaboración e defensa de argumentos e a resolución de problemas dentro da súa área de estudo.
[CB3] Que o alumnado teña a capacidade de reunir e interpretar datos relevantes (normalmente dentro da súa área de estudo) para emitir xuízos que inclúan unha reflexión sobre temas relevantes de índole social, científica ou ética.
[CB5] Que o alumnado desenvolva aquelas habilidades de aprendizaxe necesarias para emprender estudos posteriores cun alto grao de autonomía.
[CG3] Capacidade para deseñar e crear modelos e solucións de calidade baseadas en Intelixencia Artificial e que sexan eficientes, robustas, transparentes e responsables.
[CG4] Capacidade para seleccionar e xustificar os métodos e técnicas axeitadas para resolver un problema concreto, ou para desenvolver e propoñer novos métodos baseados en Intelixencia Artificial.
[CG5] Capacidade para concerbir novos sistemas computacionais e/ou avaliar o rendemento de sistemas existentes, que integren modelos e técnicas de Intelixencia Artificial.

COMPETENCIAS ESPECÍFICAS
[CE12] Coñecer os fundamentos dos algoritmos e modelos da intelixencia artificial para a resolución de problemas de certa complexidade, entender a súa complexidade computacional e ter capacidade para deseñar novos modelos.
[CE15] Coñecer e saber aplicar e explicar correctamente as técnicas de validación das solucións de intelixencia artificial.

COMPETENCIAS TRANSVERSAIS
[TR2] Capacidade de traballo en equipo, en entornos interdisciplinares e xestionando conflitos.
[TR4] Capacidade para introducir a perspectiva de xénero nos modelos, técnicas e solucións baseadas en intelixencia artificial.
[TR5] Capacidade para desenvolver modelos, técnicas e solucións baseadas en intelixencia artificial que sexan éticas, non discriminatorias e fiables.

Ademais, os resultados da aprendizaxe serán os seguintes:

- Saber desenvolver e configurar diferentes arquitecturas de redes neuronais, seleccionando as máis axeitadas para os diferentes problemas a abordar.
- Coñecer a estrutura e aplicacións das redes neuronais recurrentes e as convolucionais.
- Coñecer as diferentes ferramentas para o densenvolvemento de redes de aprendizaxe profunda.

A metodoloxía da ensinanza está dirixida a focalizar a materia sobre os aspectos teóricos e prácticos das redes neuronais e das técnicas e arquitecturas de aprendizaxe profunda. O alumnado debe estar capacitado, polo tanto, para entender as vantaxes destas técnicas de aprendizaxe automática e para desenvolver unha solución aos diferentes problemas que se amosarán. Tendo isto en conta, distínguense dous tipos de actividades de aprendizaxe: clases maxistrais e sesións en grupos reducidos. Así:

(1) As clases maxistrais (30 horas) están dirixidas a explicar as características das redes neuronais e das diferentes arquitecturas de aprendizaxe profunda, facendo especial énfase nas situacións nas que deberían aplicarse as ditas arquitecturas e nos conceptos e matemáticas que as soportan.

(2) As sesións prácticas en grupos reducidos (20 horas) están dirixidas a que o alumnado adquira destreza na implementación das diferentes arquitecturas de aprendizaxe profunda. Por elo é importante que nestas prácticas se realice un conxunto de exercicios nos que se proben ese tipo de arquitecturas e se estude o contexto no cal deben aplicarse unhas dadas as características do problema a resolver. A asistencia a estas clases é OBRIGATORIA.

A avaliación da materia terá lugar de dous xeitos diferentes, aínda que complementarios, que pretenden avaliar a competencia no dominio teórico e prático dos conceptos de redes neuronais e aprendizaxe profunda. Por outra parte, distinguirase entre a avaliación da oportunidade ordinaria e a de recuperación:

OPORTUNIDADE ORDINARIA
(1) Exame no que se demostrará o dominio das redes neuronais e a aprendizaxe profunda, incidindo nas características e problemas que resolven cada unha das diferentes arquitecturas estudadas ao longo do curso. Neste exame deberase respostar a un conxunto de cuestións sobre o temario da materia. Esta parte representará o 60% da nota final da materia.

(2) Realización dun conxunto de boletíns nos que se demostrará de xeito práctico o dominio dos conceptos de redes neuronais e das diferentes arquitecturas de aprendizaxe profunda. Todos os boletíns realizaranse de xeito individual. Esta parte constituirá o 40% da nota final da materia. Por último, se se entregou algún dos boletíns, considerarase como presentado na materia.

Cabe resaltar que para superar a materia DEBERASE APROBAR POR SEPARADO CADA PARTE.

OPORTUNIDADE DE RECUPERACIÓN
Os criterios de avaliación das partes de teoría e práctica na oportunidade de recuperación serán exactamente os mesmos que para a oportunidade ordinaria. Xa que logo, ademais de superar o exame de teoría e os boletíns, para poder superar a materia será necesario que se tivera asistido ás sesións prácticas interactivas (cos criterios de asistencia indicados máis abaixo).

CONTROL DE ASISTENCIA
Tal e como se comentou anteriormente, a asistencia ás sesións prácticas interactivas é obrigatoria debido a que nelas se abordan conceptos clave da materia, e o control desta asistencia realizarase a través de follas de firmas que se deberán cubrir á finalización de cada unha das sesións. Ademais, se se asiste a menos do 80% das sesións prácticas interactivas considerarase que non se superou a materia.


No caso de realización fraudulenta de exercicios ou probas, será de aplicación o recollido na Normativa de avaliación do rendemento académico dos estudantes e de revisión de cualificacións.
En aplicación da Normativa da ETSE sobre plaxio (aprobada pola Xunta da ETSE o 19/12/2019), a copia total ou parcial dalgún exercicio de prácticas ou teoría suporá o suspenso nas dúas oportunidades do curso, coa cualificación de 0,0 en ambos casos.

Tal e como se indicou anteriormente, a asistencia ás sesións de prácticas (20 horas) é obrigatoria, sendo esta participación debería ser activa para así aproveitar de forma adecuada o tempo, mentres que moi recomendable a asistencia ás sesións de teoría (30 horas), xa que nelas introdúcense e explícanse os conceptos da materia. Ademais disto, necesitarase un tempo adicional para traballar nos seguintes aspectos:

(1) Estudo autónomo dos conceptos das redes neuronais e a aprendizaxe profunda (30 horas). O tempo dedicado a este estudo non só inclúe o necesario para preparar o exame teórico, senón tamén o tempo que se precisa para entender os conceptos teóricos da materia.

(2) Completar os exercicios dos boletíns (65 horas). Este tempo é necesario para que se completen os exercicios dos boletíns que non se acaben nas sesións de prácticas. Neste tempo poderase interiorizar a forma de resolver o problema exposto no exercicio, na medida en que en ditas sesións faise máis énfase en entender o problema e a forma xeral na que se resolverá, mentres que os detalles necesarios para completar os exercicios deberanse realizar no tempo adicional de traballo práctico.

(3) Estudio teórico da materia (30). Este tempo é necesario para a preparación do exame final como para asentar os conceptos teóricos a partires dos resultados e reflexión realizada nos exercicios dos boletíns.

(4) Avaliación (5 horas). Será o tempo dedicado á avaliación tanto das prácticas como do propio exame de teoría.

Recoméndase que para o estudo da parte teórica se aproveiten os contidos da parte práctica, nos cales se programan e usan as redes neuronais e as arquitecturas de aprendizaxe profunda propostas. Isto debería axudar a establecer as relacións entre os modelos matemáticos que dan soporte a estas técnicas e a súa implementación práctica.

Os idiomas de impartición das clases expositivas e interactivas serán o galego e o castelán. Algúns dos contidos da materia poderán estar en inglés.