Materia
Introducción al Deep Learning
Datos generales de la materia
- Modalidad
- Presencial
- Idioma
- Castellano
Descripción y contextualización de la asignatura
En este curso se abordarán los fundamentos teóricos de las redes neuronales profundas, así como las aplicaciones de las mismas. En una primera fase, se abordarán los conceptos más importantes (funciones de pérdida, descenso de gradiente, backpropagation) usando perceptrones multicapa. En una segunda fase, se introducirán arquitecturas más modernas como las redes convolucionales y las redes recurrentes.Profesorado
Nombre | Institución | Categoría | Doctor/a | Perfil docente | Área | |
---|---|---|---|---|---|---|
ARGANDA CARRERAS, IGNACIO | Universidad del País Vasco/Euskal Herriko Unibertsitatea | Visitante Ikerbaske | Doctor | No bilingüe | Ciencia de la Computación e Inteligencia Artificial | ignacio.arganda@ehu.eus |
SOROA ECHAVE, AITOR | Universidad del País Vasco/Euskal Herriko Unibertsitatea | Profesorado Agregado | Doctor | Bilingüe | Ciencia de la Computación e Inteligencia Artificial | a.soroa@ehu.eus |
Competencias
Denominación | Peso |
---|---|
Conocimiento de los problemas típicos de deep learning y las formas de resolverlos. | 25.0 % |
Conocimiento de los principales paradigmas de redes neuronales y sus características principales. | 25.0 % |
Ser capaz de desarrollar soluciones de deep learning para problemas reales. | 25.0 % |
Ser capaz de reconocer los modelos de redes neuronales apropiados para diferentes problemas. | 25.0 % |
Tipos de docencia
Tipo | Horas presenciales | Horas no presenciales | Horas totales |
---|---|---|---|
Magistral | 10 | 0 | 10 |
P. Ordenador | 20 | 45 | 65 |
Actividades formativas
Denominación | Horas | Porcentaje de presencialidad |
---|---|---|
Clases magistrales | 10.0 | 100 % |
Trabajo en grupo | 65.0 | 30 % |
Sistemas de evaluación
Denominación | Ponderación mínima | Ponderación máxima |
---|---|---|
Ensayo, trabajo individual y/o en grupo | 25.0 % | 50.0 % |
Trabajos en equipo (resolución de problemas, diseño de proyectos) | 50.0 % | 75.0 % |
Resultados del aprendizaje de la asignatura
Identificar los problemas típicos de deep learning y las formas de resolverlos.Aprender los principales paradigmas de redes neuronales y sus características principales.
Formular e implementar soluciones de deep learning para problemas reales usando herramientas de código abierto basados en Python.
Reconocer los modelos de redes neuronales apropiados para diferentes problemas.
Temario
Tema 1 ¿ Fundamentos teóricos del deep learning.Tema 2 ¿ Perceptron multi-capa y el proceso de aprendizaje
Tema 3 ¿ Entrenando las redes neuronales
Tema 4 - Introducción a las arquitecturas modernas de redes neuronales profundas
En el aspecto práctico se hará uso de librerías modernas de deep learning como Pytorch o Tensorflow para la creación de aplicaciones.
Bibliografía
Materiales de uso obligatorio
Deep Learning. Ian Goodfellow and Yoshua Bengio and Aaron Courville. 2016. https://www.deeplearningbook.org/Dive into Deep Learning. Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola. 2020. http://d2l.ai/
Neural networks for pattern recognition. Christopher M. Bishop.
Bibliografía de profundización
Machine learning. A probabilistic perspective. Kevin P. MurphyPattern recognition and machine learning. Christopher M. Bishop.
Bayesian Netwoks and Decision Graphs. Finn V. Jensen. Springer-Verlag. 2001.
The synaptic organization of the brain. Gordon M. Shepherd. Firth Edition
Introduction to the theory of neural computation. Hertz, J., Krogh, A., Palmer, R. G. Addison-Wesley, 1991
30 years of adaptive neural networks: Perceptron, Madaline, and backpropagation., Widrow, B., Lehr, M.A., Proceedings of IEEE, 78(9), 1415-1442, 1990.
Learning with Kernels, Scholkopf and Smola, 2002
The Elements of Statistical Learning,, Hastie, Friedman, and Tibshirani, 2001
The nature of statistical learning theory, Vapnik, V
Revistas
Proceedings of NeurIPS: https://nips.cc/Proceedings of ICLR: https://iclr.cc/
IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)
IEEE Transactions on Neural Networks
Enlaces
NYU Deep Learning: https://nyudatascience.medium.com/yann-lecuns-deep-learning-course-at-cds-is-now-fully-online-accessible-to-all-787ddc8bf0afBerkeley Deep Learning: https://t.co/0PaBOJElo9
Stanford Convolutional Neural Networks for Visual Recognition: http://cs231n.stanford.edu/
Stanford Natural Language Processing with Deep Learning: http://web.stanford.edu/class/cs224n/
NN software
Pytorch: https://pytorch.org/
Tensorflow: https://www.tensorflow.org/
scikit-learn: https://scikit-learn.org/stable/