Asignaturas - Máster universitario en ingeniería y ciencia de datos

PRESENTACIÓN

Las redes neuronales profundas (Deep Learning) constituyen una evolución del concepto clásico de redes neuronales artificiales. En este enfoque, además del uso del perceptrón o neurona clásica, se incorpora un conjunto de capas ocultas (hidden layers) intermedias que permiten identificar y modelar representaciones complejas de funciones no lineales. Esto es especialmente útil en tareas como la clasificación multiclase, la detección de patrones o el reconocimiento de estructuras en datos de alta dimensión.

Aunque sus fundamentos teóricos no son recientes, el avance en capacidades computacionales —como el procesamiento paralelo, el uso de GPUs y entornos distribuidos— ha hecho posible el entrenamiento eficiente de estos modelos, obteniendo resultados de gran precisión en aplicaciones como el reconocimiento de imágenes, texto o voz.

La asignatura se centra en los fundamentos del Deep Learning, así como en el manejo de las herramientas principales para el desarrollo y entrenamiento de modelos basados en redes neuronales profundas. El objetivo es capacitar al estudiante para abordar problemas reales en los que este tipo de tecnología ofrece ventajas significativas.

CONTEXTUALIZACIÓN

Deep Learning es una asignatura optativa de 4 créditos ECTS, que se imparte en el segundo semestre del Máster Universitario en Ingeniería y Ciencia de Datos. Su contenido guarda estrecha relación con otras asignaturas del plan de estudios, especialmente:

• Modelado Estadístico de Datos.
• Aprendizaje Automático I.
• Programación en Entornos de Datos.
• Infraestructuras Computacionales para el Procesamiento de Datos Masivos.

El contenido de esta asignatura permite consolidar y ampliar los conocimientos adquiridos en las materias previas de aprendizaje automático, al tiempo que proporciona herramientas prácticas de gran utilidad en el ámbito profesional y de investigación.

Se considera imprescindible, para la adecuada realización y seguimiento de la asignatura, que el estudiante posea una base sólida en los fundamentos del aprendizaje automático. Por ello, se requiere haber cursado previamente la asignatura Aprendizaje Automático I del presente máster.

Además, se recomienda cursar esta asignatura en paralelo con Deep Learning, ya que ambas complementan los conocimientos y técnicas avanzadas en aprendizaje automático o Machine Learning, proporcionando una visión más completa y aplicada de esta área.

Dado que gran parte de la bibliografía y de los recursos disponibles en el curso virtual se encuentran en inglés —debido a la novedad y especialización de los contenidos—, es aconsejable contar con un nivel de lectura en inglés suficiente para comprender textos técnicos.

Siempre que sea posible, se promoverá el uso de software libre para el desarrollo de las actividades y las prácticas propuestas en la asignatura.

La tutorización del alumnado se realizará preferentemente a través de los foros del curso virtual, que constituyen el canal principal de comunicación entre estudiantes y equipo docente. Este medio permite que las respuestas a las dudas planteadas sean accesibles a toda la comunidad, favoreciendo así el aprendizaje colaborativo.

No obstante, también se podrán utilizar, de forma ocasional, otros canales de comunicación complementarios, como chats interactivos, mensajería instantánea o correo electrónico. Para cuestiones de carácter personal o que no afecten al resto del grupo, se podrán concertar entrevistas individuales presenciales, telefónicas o por videoconferencia, dentro del horario de atención establecido.

El seguimiento del aprendizaje se llevará a cabo mediante la observación de la participación activa en los foros, la calidad de las intervenciones, la posible aportación de materiales adicionales, así como el cumplimiento en tiempo y forma de las actividades prácticas previstas a lo largo del curso.

En caso de ser necesario contactar con el Equipo Docente por medios externos al curso virtual, se recomienda utilizar preferentemente el correo electrónico. Asimismo, podrán acordarse entrevistas personales previa solicitud y dentro del horario oficial de atención al estudiante, que se detalla a continuación:

COMPETENCIAS BÁSICAS

CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.

CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.

CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades. sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.

CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.

CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

COMPETENCIAS GENERALES

CG1 - Identificar los métodos apropiados para la solución de problemas asociados a la ciencia de datos y la analítica de información

CG2 - Ser capaz de aplicar diferentes técnicas de aprendizaje máquina, seleccionando el algoritmo óptimo que genere modelos precisos y permita el desarrollo de soluciones predictivas en diferentes ámbitos de uso

COMPETENCIAS TRANSVERSALES

CT1 - Ser capaz de abordar y desarrollar proyectos innovadores en entornos científicos, tecnológicos y multidisciplinares.

CT2 - Ser capaz de tomar decisiones y formular juicios basados en criterios objetivos (datos experimentales, científicos o de simulación disponibles).

COMPETENCIAS ESPECÍFICAS

CE2 - Desarrollar aplicaciones/servicios/scripts orientados a la analítica de datos y analizar el uso de diferentes librerías para el desarrollo e implementación de métodos numéricos, algoritmos y modelos asociados a los datos

CE5 - Desarrollar modelos de aprendizaje máquina (Machine Learning) basados en las diferentes categorías de clasificación: supervisada, no supervisada y semi-supervisada

CE6 - Diseñar mecanismos de evaluación de modelos de aprendizaje y comprender las métricas usadas para dicha evaluación

Los resultados de aprendizaje que se pretenden alcanzar con el estudio de esta asignatura son los siguientes:

• Identificar el concepto de red neuronal profunda y la estructura que define su comportamiento.
• Distinguir entre los métodos usados para clasificar las redes neuronales profundas, identificando las tipologías más empleadas en el desarrollo de soluciones basadas en dichas redes. 
• Aplicar los conocimientos adquiridos para desarrollar e implementar redes neuronales profundas en diferentes ámbitos de aplicación, seleccionando la tipología más adecuada en cada momento.
• Elegir las soluciones y proveedores adecuados para la implementación de soluciones de Deep Learning en entornos Cloud

Esta asignatura ha sido diseñada específicamente para su impartición en modalidad a distancia. En consecuencia, el proceso de enseñanza-aprendizaje se basa en gran medida en el estudio autónomo del estudiante, guiado por los materiales proporcionados y por las orientaciones del Equipo Docente.

El alumnado dispondrá de una Guía de Estudio, donde se incluyen recomendaciones para organizar el trabajo, así como indicaciones para la realización de las actividades prácticas. Además, el curso virtual en la plataforma de la UNED será el principal entorno de interacción, tanto con el Equipo Docente como con otros estudiantes, principalmente a través de los foros, que desempeñan un papel esencial en este modelo educativo.

El estudio de la asignatura se apoyará en los materiales y enlaces que el Equipo Docente irá publicando a lo largo del curso en el entorno virtual.

Las actividades formativas previstas para esta asignatura son las siguientes:

• Estudio de contenidos: 30 horas
• Tutorías: 13 horas
• Actividades en la plataforma virtual: 2 horas
• Prácticas informáticas: 55 horas
• Total: 100 horas

Para el desarrollo adecuado de la asignatura, el estudiante contará con los siguientes medios y recursos de apoyo:

1. Materiales teórico-prácticos elaborados por el Equipo Docente, que cubren los conceptos fundamentales del programa.
2. Bibliografía complementaria, que permitirá ampliar conocimientos y profundizar en determinados aspectos del temario.
3. Curso Virtual, donde se incluirá:
   • La Guía de la asignatura, con una descripción detallada del plan de trabajo.
   • Un calendario académico, con la distribución temporal de los contenidos y las fechas de entrega de las actividades.
   • Los enunciados de las actividades teórico-prácticas, junto con el espacio para la entrega de las mismas.
   • Los foros de discusión, que servirán tanto para la resolución de dudas generales como para la comunicación de avisos importantes. Este será el principal canal de comunicación entre el Equipo Docente y los estudiantes.

Los libros includos en la bibliografía básica se pueden descargar gratuitamente o son accesibles desde la colección de acceso restringido de la Biblioteca de la UNED O’Reilly for Higher Education (New Safari).

Los libros includos en la bibliografía complementaria son accesibles desde la colección de acceso restringido de la Biblioteca de la UNED O’Reilly for Higher Education (New Safari).

Los/as estudiantes dispondrán de los siguientes recursos de apoyo al estudio: 

• Guía de la asignatura. Incluye el plan de trabajo y orientaciones para su desarrollo. Esta guía será accesible desde el curso virtual. 

• Curso virtual. A través de esta plataforma los/as estudiantes tienen la posibilidad de consultar información de la asignatura, realizar consultas al Equipo Docente a través de los foros correspondientes, consultar e intercambiar información con el resto de los compañeros/as. 

• Biblioteca. El estudiante tendrá acceso tanto a las bibliotecas de los Centros Asociados como a la biblioteca de la Sede Central, en ellas podrá encontrar un entorno adecuado para el estudio, así como de distinta bibliografía que podrá serle de utilidad durante el proceso de aprendizaje. Además, desde la biblioteca digital de la UNED, el estudiante tendrá acceso a O’Reilly for Higher Education (New Safari), una biblioteca digital con más de 30.000 libros técnicos en constante actualización.