Aprenentatge Profund
Codi: 44737 Crèdits: 6| Titulació | Tipus | Curs |
|---|---|---|
| Recerca i Innovació en Ciència i Enginyeria Basades en Computadors | OP | 1 |
Professor/a de contacte
- Nom:
- Silvana Silva Pereira
- Correu electrònic:
- silvana.silva@uab.cat
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Es recomana que l’estudiant disposi de coneixements i habilitats en:
-
Programació en llenguatge Python
-
Processament de senyals, imatges i vídeo
-
Validació estadística de models
Objectius
Aquesta assignatura ofereix una introducció pràctica als models de xarxes neuronals i a l’aprenentatge profund (deep learning).
Els estudiants consolidaran i ampliaran els coneixements teòrics adquirits en assignatures prèvies d’aprenentatge automàtic, i els complementaran amb nous conceptes relacionats amb el disseny de xarxes neuronals, els marcs actuals d’aprenentatge profund i el procés d’entrenament d’aquests models.
En finalitzar l’assignatura, l’estudiant haurà adquirit:
-
Un coneixement sòlid de les diferents arquitectures de xarxes neuronals i dels escenaris d’ús més habituals.
-
La capacitat de seleccionar de manera crítica l’arquitectura i els mecanismes d’entrenament més adequats per a cada tasca concreta.
-
Experiència pràctica en l’ús de biblioteques i entorns d’aprenentatge profund per implementar solucions a problemes reals.
Resultats d'aprenentatge
- CA18 (Competència) Capacitat per a dissenyar l'arquitectura més adequada de xarxa neuronal per a la resolució d'un problema determinat.
- CA19 (Competència) Dissenyar solucions computacionals en múltiples dominis relacionats amb la presa de decisions basada en l'exploració d'alternatives, el raonament incert i la planificació de tasques.
- KA23 (Coneixement) Descriure l'estructura de les xarxes neuronals convolucionals i recurrents i en quins entorns és més favorable usar-les.
- KA24 (Coneixement) Descriure els diferents models d'estructuració i representació de dades.
- KA25 (Coneixement) Descriure tècniques avançades de maneig de xarxes neuronals com ara el reforç d'aprenentatge, així com poder visualitzar de manera adequada els resultats intermedis del processament.
- SA31 (Habilitat) Resoldre problemes relacionats amb l'anàlisi de grans volums de dades a través del disseny de sistemes intel·ligents i de l'ús de tècniques d'aprenentatge computacional.
- SA32 (Habilitat) Aplicar sistemes d'aprenentatge profund basats en xarxes neuronals per a poder resoldre problemes concrets.
- SA33 (Habilitat) Seleccionar l'arquitectura de xarxa neuronal més adequada segons les dades disponibles que permeti obtenir els resultats esperats.
- SA34 (Habilitat) Emprar de manera adequada sistemes de visualització de xarxes neuronals per a poder avaluar possibles optimitzacions que millorin el rendiment del sistema.
Continguts
Introducció a les xarxes neuronals: Perceptró, funcions de pèrdua (loss functions), entrenament, i retropropagació del gradient (backpropagation).
Xarxes neuronals convolucionals (Deep Learning): Arquitectures per a classificació i segmentació (p. ex., U-Net), i tècniques de fine-tuning per a la transferència d’aprenentatge.
Validació i robustesa del model: Mètriques fiables, detecció de biaixos (bias) en els models, tractament de conjunts de dades desbalancejats, i anàlisi del nivell de generalització dels models.
Explicabilitat dels models (Explainability): Visualització de mapes d’activació i d’atenció per a la interpretació del comportament del model.
Tractament de sèries temporals: Xarxes neuronals recurrents (LSTM), transformadors (transformers) aplicats al llenguatge (p. ex., traductors) i a la visió (p. ex., Vision Transformers), i arquitectures backbone.
Aprenentatge no supervisat: Autoencoders, detecció d’anomalies, i reducció de dimensionalitat.
Models generatius: Xarxes adversàries generatives (GANs), autoencoders variacionals (VAEs) i altres enfocaments per a la generació de dades.
Aprenentatge mètric (pèrdua de triplets, bessons de Barlow), enfocaments d'un sol cop, xarxes siameses.
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Tipus: Dirigides | |||
| Explicacions Teòriques | 20 | 0,8 | |
| Tipus: Supervisades | |||
| Resolució de Problemes en Grups | 30 | 1,2 | |
| Tipus: Autònomes | |||
| Treball Autònom | 90 | 3,6 |
El curs es fonamenta en la metodologia d’Aprenentatge Basat en Projectes (ABP), orientada a potenciar la motivació i l’autonomia de l’estudiant en el seu procés d’aprenentatge.
Al començament del semestre es formaran equips de 4 o 5 estudiants, que desenvoluparan un conjunt de projectes de complexitat mitjana. Aquests projectes es distribuiran al llarg del curs i es durà a terme un seguiment setmanal, combinant sessions de tutoria grupal i individual.
Els projectes seran proposats pel professorat i compliran els requisits següents:
-
S’inspiraran en situacions realistes o aplicacions pràctiques.
-
Seran resolubles amb eines i coneixements assequibles per als estudiants.
-
No tindran una solució estàndard coneguda, per tal de fomentar la creativitat i l’anàlisi crítica.
És important remarcar que l’objectiu no és trobar una solució òptima universal, sinó plantejar una proposta de solució raonable i ben justificada. Sovint, en l’àmbit professional real, no hi ha una única solució correcta.
Cada equip desenvoluparà els projectes amb la màxima autonomia possible. El tutor assignat tindrà un rol d’acompanyament i supervisió, evitant dirigir o imposar solucions. Les aportacions han de ser originals, tot i que és perfectament admissible -i fins i tot recomanable- consultar fonts bibliogràfiqueso recursosdisponibles en línia. En aquests casos, però, cal citar les fonts i explicitar-ne l’ús tant a la memòria com davant el professorat.
El lliurament final del projecte constarà de dues parts:
-
Una memòria escrita, que descrigui la proposta, el procés seguit, les decisions preses i els resultats obtinguts.
-
Una exposició oral, adreçada principalment a una entitat hipotètica que hauria encarregat el projecte. Els detalls tècnics s’hauran de reservar per a annexos o apartats específics de la memòria.
L’exposició oral serà obligatòria per a tot l’equip, i es preveu la participació activa de la resta de la classe, mitjançant preguntes i comentaris.
Aquesta assignatura permet l’ús de tecnologies d’Intel·ligència Artificial (IA) com a part integrant del desenvolupament dels projectes. L’estudiant haurà d’identificar clarament les parts generades amb IA, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final. La manca de transparència en l’ús d’aquestes tecnologies es considerarà una falta d’honestedat acadèmica.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè els alumnes completin les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Nota Coavaluació Classe | 10% | 1 | 0,04 | CA18, CA19, KA23, KA24, KA25, SA31, SA32, SA33, SA34 |
| Nota Co-avaluació Companys | 10% | 1 | 0,04 | CA18, CA19, KA23, KA24, KA25, SA31, SA32, SA33, SA34 |
| Nota Grupal | 50% | 6 | 0,24 | CA18, CA19, KA23, KA24, KA25, SA31, SA32, SA33, SA34 |
| Nota Individual | 30% | 2 | 0,08 | CA18, CA19, KA23, KA24, KA25, SA31, SA32, SA33, SA34 |
Aquesta assignatura no contempla el sistema d’avaluació única. Com que el treball gira al voltant d’un conjunt de projectes desenvolupats al llarg del semestre, l’avaluació és contínua i el resultat final no és recuperable.
Metodologia d’avaluació
L’avaluació es basa en diversos instruments i activitats:
1. Avaluació del grup (0 a 10)
Realitzada pel professorat a partir dels lliuraments i presentacions dels projectes. Es composa de:
-
PORTAFOLI DE PROJECTE: Document que recull el desenvolupament del projecte (plantejament, actes de reunió, justificació tècnica, aplicació implementada, proves realitzades i manual d’ús).
-
PRESENTACIÓ: Exposició oral (10–15 diapositives) del projecte i dels resultats obtinguts.
-
MEMÒRIA FINAL: Document escrit que descriu el programa desenvolupat i els resultats obtinguts.
-
DOCUMENTACIÓ: Controls de lliurament, seguiment i compliment.
Nota de grup =
0.25 × Memòria intermèdia+0.75 × Memòria finalo, on:
Memòria final = 0.8 × Memòria escrita+0.2 × Presentació
2. Avaluació individual (0 a 10)
Inclou dos components:
-
Observació del tutor/a durant les sessions tutoritzades, que valora l’actitud, la iniciativa, la participació, l’assistència i la puntualitat.
-
Portafoli individual, on cada estudiant documenta les seves aportacions: actes, decisions preses, justificacions tècniques, reflexions personals i tasques realitzades.
Nota individual =
0.7 × Observació del tutor/a+0.3 × Portafoli individual
3. Coavaluació entre iguals (0 a 10)
En finalitzar cada projecte, cada membre del grup omple una enquesta de coavaluació valorant les aportacions dels seus companys.
4. Coavaluació col·lectiva (0 a 10)
Cada grup puntua els projectes dels altres en una sessió pública d’exposicions. El grup valorat com a millor obté 10 punts, el següent 8, i així successivament.
5. Càlcul de la nota de projecte
Nota de projecte =
0.5 × Nota de grup+
0.3 × Nota individual+
0.1 × Coavaluació entre iguals+
0.1 × Coavaluació col·lectiva
Cada projecte contribuirà a la nota final de la manera següent:
6. Nota final de l’assignatura
Nota final = mitjana ponderada de les notes de tots els projectes (tots els projectes tenen el mateix pes).
7. No avaluable
Segons el punt 9 de l’article 266 de la Normativa Acadèmica de la UAB, si l’estudiant no aporta prou evidències d’aprenentatge al llarg del curs, l’assignatura es qualificarà com a no avaluable. En aquest cas, s’entendrà que no s’ha participat de manera suficient en les activitats d’avaluació contínua, com ara:
- No haver lliurat cap projecte o haver-ho fet de manera clarament insuficient.
- No haver assistit a cap sessió de classe ni haver participat en les activitats de seguiment.
- No haver presentat el portafoli individual ni haver participat en les coavaluacions.
Aquest criteri s’aplicarà de manera objectiva i serà revisable segons el procediment establert per la titulació.
Bibliografia
Books
Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, MIT Press, 1st Ed. 2016
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):
Programari
El curs utilitza Python juntament amb PyTorch, TensorFlow i CUDA. L'accés a clústers de GPU i CPU es facilita sempre que sigui possible per donar suport a les necessitats computacionals.
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre de 2025. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d’aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
| Nom | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (PLABm) Pràctiques de laboratori (màster) | 1 | Anglès | segon quadrimestre | tarda |
| (TEm) Teoria (màster) | 1 | Anglès | segon quadrimestre | tarda |