Irakasgaiaren azalpena eta testuingurua

Irakasgai honen helburu nagusia ikasleari adimen artifizialeko teknologiei buruzko ezagutza aurreratuak ematea da, kontrol- eta automatizazio-ingeniaritzaren eta robotika aurreratuaren esparruan aplikatzeko.

Ikaskuntza-teknologiak irakasgaian eskuratutako ezagutzak areagotuko dira, ikaskuntza sakonean (Deep learning) oinarritutako adimen artifizialeko teknika modernoak barne.

Gainera, benetan erabilgarriak izango diren adimen artifizialean oinarritutako produktuak sortzeko, adimen artifizialeko ereduak asmatu, diseinatu, implementatu, monitorizatu eta etengabe hobetzeko diseinu- eta hedapen-metodologiak azalduko dira ("data-centric" metodología esaterako)..

Irakasgaiaren alde praktikoa asko nabarmenduko da, estrategiak, teknikak eta ereduak arazo errealetan aplikatuz eta kodetuz. Kurtso amaierarako, ikasleek miniproiektu bat garatuko dute, ezagutza horiek praktikan jarriz.

Irakasgaia Robotika eta Adimen Artifiziala moduluaren barruan sartzen da, eta aukerakoa da. Irakasgai honek, hurrengo ezagutzak ditu abiapuntutzat:

- Aurretik emandako Ikaskuntza Teknika Adimendunak (ATIA).

Irakasgai honetan ematen diren ezagutzak orokorrak eta transbertzalak dira, hainbat eta hainbat sektore eta aplikaziotara estrapola daitezkelarik. Industriasektore, ospitale-sektorera, bai zerbitzu, laguntza eta lehen sektoretik bestealde.

Irakasgaia ikastean lortuko diren emaitzak

IKASKUNTZAREN EMAITZA OROKORRAK

1- Adimen artifizialaren lotutako? ingeniaritza-diziplinak ezagutzea eta ulertzea.

2- Kontrol-ingeniaritzako arazoak identifikatzeko, formulatzeko eta ebazteko gaitasuna.

3- Kontrol ingeniaritzako proiektu konplexuak egiteko gaitasun praktikoa.

4- Kontrol ingenieritza arloan ekipoak eta tresnak aplikatzeko eta haien mugak esagutzeko gaitasuna.

5- Nazioko eta nazioarteko testuinguruetan, taldean, eraginkortasunez funtzionatzeko gaitasuna.

6- Norberaren etengabeko prestakuntzaren beharra onartu eta prestakuntza horri ekiteko bizitza profesionalean zear modu independentean ekitea.



IKASKUNTZAREN EMAITZA ESPEZIFIKOAK

- Adimen artifizialeko eredu bat modu globalean diseinatzen jakitea, arazo zehatzaren ezaugarriak eta inplikazioak kontuan hartuta.

- AAko teknika eta eredu aurreratuak ezagutzea.

- AAko ereduak diseinatzeko, implementatzeko, monitorizatzeko eta etengabeko hobekuntza prozesu osoa ezagutzea.

- AAko sistemen balidaziorako, metriketarako, monitorizaziorako eta diseinu sendorako teknikak ezagutzea eta aplikatzea.

Ohiko deialdia: orientazioak eta uko egitea

Ordenagailu-praktiken memoriak: % 75 (binakako taldeak)

Amaierako proiektua: % 25 (4ko taldeak)



Etengabeko ebaluazioari uko eginez gero, ordenagailu-praktikaren proba egingo da.

Ezohiko deialdia: orientazioak eta uko egitea

Idatzizko proba: % 50 (banakakoa, gutxienez % 50eko nota)

Ordenagailu-proba: % 50 (banakakoa)

Deialdi bati uko egiteko, nahikoa izango da deialdi horretako azken azterketara ez aurkeztea.

Irakasgai-zerrenda

EDUKI TEORIKO-PRAKTIKOAK (EUSKARAZ)

PROGRAMA OROKORRA/TEORIKOA:

01. gaia. Ikaskuntza automatikoaren oinarriak: Ikaskuntza automatikoaren oinarrizko kontzeptuak. Ikuspegi teknikoa eta estrategikoaren batura.

02. gaia. Sare konboluzionaletan (CNN) oinarritutako arkitekturak: oinarriak, geruza motak. Erregresio- eta sailkapen-arazoei aplikatzea. Ikaskuntza-transferentzia.

03. Gaia. Serie denboraletan iragartzeko arkitekturak: sare errepikariak, LSTM, GRU... serie denboralen sailkapen eta erregresiorako aplikazioa.

04. Gaia. AAko ereduen bizi-zikloa. Dataset sortzea, garatzea, ebaluatzea, monitorizatzea, hedatzea. Ereduen jitoaren kontzeptua. Ereduak kudeatzeko datacentric hurbilketak.

05. Gaia. Inferentzia-sistema, ereduen implementazioa.

06. Gaia. Teknika berriak, Eredu sortzaileak, GAN, hedapen-ereduak, datu sintetikoen sorkuntza, eredu multimodalak. Joera eta arkitektura berriak: Transformerrak, sorrera-ereduak, ikaskuntza autogainbegiratua, erdi-gainbegiratua.



PRAKTIKAK:

1. praktika. Erregresio-arazoak konpontzea CNNrekin.

2. praktika. Sailkapen-arazoak ebaztea CNNrekin.

3. praktika. Iragarpenak serie denboraletan sare errepikariak erabiliz

4. praktika. Eredu aurreratuak erabiltzea sailkatzeko eta erregresiorako (fine-tuning)

5. praktika. Data-centric: sailkapen-problemak ebaztea datuetan oinarritutako teknikekin (Confident Learning) eta ereduen jitoak detektatzea

6. praktika. Deep learning eredu bat implementatzea.



PROIEKTUA:

Ikasleek proiektu sinple baina oso bat sortzea (dataset kudeatzea, dataset ontzea, entrenamendua, baliozkotzea eta implementazioa).

Bibliografia

Nahitaez erabili beharreko materiala

Ordenagailu teoriari eta praktikei laguntzeko dokumentazioa eGela plataforman, ikasgaiaren ikasgela birtualean dago: http://egela.ehu.es



Plataforma hori ikaskuntza-materialak banatzeko erabiliko da. Gainera, ikasleen arteko komunikazio-tresnak eskaintzen ditu, hala nola berehalako mezularitza, eta tutoretza elektronikoa ematen du, pribatuan edo taldean. Azkenik, plataformak estatistikak kalkulatzen ditu, ikasleen kalifikazioak kudeatzen ditu, etab.



Kodea kudeatzeko plataforma bat erabiliko da (gitlab edo github) praktikak egiteko.

Oinarrizko bibliografia

Chollet, F. (2021). Deep learning with Python. Simon and Schuster.

Stevens, E., Antiga, L., & Viehmann, T. (2020). Deep learning with PyTorch. Manning Publications.

Estekak

https://nips.cc/



https://www.thecvf.com/



https://pytorch.org/



https://www.tensorflow.org/