Titulació | Tipus | Curs | Semestre |
---|---|---|---|
4318303 Recerca i Innovació en Ciència i Enginyeria Basades en Computadors | OT | 0 | 2 |
Podeu accedir-hi des d'aquest enllaç. Per consultar l'idioma us caldrà introduir el CODI de l'assignatura. Tingueu en compte que la informació és provisional fins a 30 de novembre de 2023.
Es recomana que l'alumne tingui coneixements i capacitats de:
Aquesta assignatura pretén donar una introducció pràctica als models de xarxes neuronals i a l'aprenentatge profund.
Els estudiants consolidaran i ampliaran els seus antecedents teòrics, basant-se en assignatures anteriors sobre aprenentatge automàtic i complementant els coneixements previs amb nous conceptes sobre el disseny de xarxes neuronals, marcs d'aprenentatge profund i el procés d'entrenament d'aquests models.
L'estudiant ha de finalitzar aquesta assignatura, tenint un ampli coneixement de les diferents arquitectures de xarxes neuronals i els seus escenaris d'ús típics, i una capacitat demostrada per triar críticament l'arquitectura i els mecanismes d'entrenament adequats per a cada tasca.
Finalment, els estudiants rebran formació pràctica i adquiriran experiència pràctica sobre l'ús dels marcs d'aprenentatge profund actuals per resoldre tasques específiques.
Introducció a les xarxes neuronals: Perceptron, función de loss, training, back propagation.
Introducció a les xarxes neuronals convolucionals (deep learning): arquitectures de classificació, arquitectures de segmentació (Unet), fine tunning.
Validació: mètriques fidedignes, detecció de bias en els models, problemes desbalancejats, nivell de generalització dels models. Explainability: mapes d'activació i d'atenció.
Tractament de sèries temporals: xarxes recurrents (LSTMs), transformers (traductors, visual transformers), arquitectures backbone
Unsupervised learning, autoencoders i detecció d'anomalies.
Models generatius, adversarial Networks, variational autoencoders.
Metric Learning (triplet loss, Barlow twins), one-shot approaches, Siamese networks.
El curs seguirà una metodologia docent d'aprenentatge anomenada Aprenentatge Basat en Projectes (ABP). La metodologia ABP pretén potenciar i motivar a l'estudiant en el seu aprenentatge. Es formaran grups d'entre 5 i 6 estudiants als que se'ls encomanarà la realització d'un conjunt de projectes (de mida mitjana) al llarg del semestre. Es farà un seguiment setmanal i tutorització tant grupal com individual dels estudiants
Els projectes són fixats pel professorat de manera que compleixi les següents condicions: ser el més real possible; ser tractable mitjançant eines elementals; no tenir associat un algorisme de solució standard.
D'altra banda, és essencial entendre que no es tracta pas de trobar un algorisme que funcioni en el 100 x 100 dels casos —tot sovint no existeix tal cosa— sinó simplement de “donar-hi una proposta de solució raonable”.
Els projectes els han de desenvolupar cada equip amb la màxima autonomia possible. Cada equip tindrà assignat un tutor que en seguirà l'evolució però en principi s'abstindrà d'imposar les seves idees. D'altra banda, l'estudiant ha de tenir clar que no es tracta de buscar la ‘solució’ del problema en altres llocs, sino de fer una aportació original. Això no vol dir que s'hagi de renunciar a la informació que pugui existir en la bibliografia o a Internet; però quan se'n faci ús cal tenir informat el professor i explicar-ho en la memòria.
La realització del projecte ha de acabar en un programa i una memòria final. A més d'entregar-la en forma escrita, els resultats d'aquesta memòria seran objecte d'una exposició oral. Una i altra, memòria escrita i exposició oral, han d'anar dirigides principalment a l'entitat, segurament hipotètica, que hauria proposat el problema. Per regla general, els tecnicismes seran relegats a apartats concrets de la memòria escrita.
En les presentacions orals dels projectes s'espera que hi assisteixin tota la classes, i que aquests intervinguin mitjançant preguntes i observacions.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, per a la complementació per part de l'alumnat de les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura/mòdul.
Títol | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|
Tipus: Dirigides | |||
Explicacions Teòriques | 10 | 0,4 | CA18, KA23, SA32 |
Tipus: Supervisades | |||
Resolució de Problemes en Grups | 20 | 0,8 | CA18, CA19, KA23, KA24, KA25, SA31, SA32, SA33, SA34 |
Tipus: Autònomes | |||
Treball Autònom | 115 | 4,6 | CA18, CA19, KA23, KA24, KA25, SA31, SA32, SA33, SA34 |
Donat que la major part de la feina gira al voltant d'un conjunt de projectes que es desenvolupa al llarg de tot el curs, l'avaluació té un caràcter continuat, i el seu resultat final no és recuperable.
Metodologia de Avaluació
S'avaluaran les actes que el grup escriurà després de cada sessió tutoritzada, en la que descriuran les seves discussions i acords i les enquestes d'autoavaluació que cada alumne farà dels seus companys i d'ell mateix. Al final de cada projecte els estudiants es farà una presentació oral del projecte i entregaran una memòria del treball realitzat. Ambdós seran avaluats per part dels professors de l'assignatura siguin o no els tutors. Els estudiants no realitzaran cap examen escrit.
Per a l'avaluació s'utilitzaran els següents INSTRUMENTS i ACTIVITATS:
Qualificacions
Cada projecte tindrà una nota que es calcularà de la següent manera:
Nota Projecte = 0,5 * Nota Grupal + 0,3 * Nota Individual + 0,1 * Nota Coavaluació Companys + 0,1 * Nota Coavaluació Classe
La nota final sortirà del la mitjana ponderada dels projectes realitzats. La ponderació serà la mateixa per tots els projectes
Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|---|
Nota Coavaluació Classe | 10% | 0 | 0 | CA19, SA31 |
Nota Coavaluació Companys | 10% | 0 | 0 | SA31, SA32, SA33 |
Nota Individual | 30% | 0 | 0 | CA18, CA19, KA23, KA24, KA25, SA31, SA32, SA33, SA34 |
Nota grupal | 50% | 5 | 0,2 | CA18, CA19, KA23, KA24, KA25, SA31, SA32, SA33, SA34 |
Books
Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, MIT Press, 1st Ed. 2016
Deep learning with Python, François Chollet, Manning Publications, 1st Ed., 2017
Pattern Recognition and Machine Learning, Christopher Bishop, Springer, 2011
Neural Networks for Pattern Recognition, Christopher Bishop, Oxford University Press, 1st ed., 1996
Books online:
Michael Nielsen's Neural Networks and Deep Learning http://neuralnetworksanddeeplearning.com/
Zhang, Z.C. Lipton, M. Li, A.J. Smola, "Dive into Deep Learning", 2021 https://d2l.ai/
Links (Tutorials and Talks):
https://towardsdatascience.com
https://cs.stanford.edu/~sanmi/talks.html
Python with OpenCV, pytorch, cuda. En la mesura del possible es facilitará accés a clústers de GPUs i CPUs