PRESENTACIÓN

Las redes neuronales profundas, o Deep Learning, son una tecnología basada en el concepto clásico de redes neuronales. En Deep Learning, además del concepto de perceptrón o neurona clásica, se usa un conjunto de capas intermedias de aprendizaje denominadas capas ocultas (Hidden Layers) que se usan para identificar características específicas de la función no lineal a implementar (por ejemplo, una clasificación múltiple). No es una tecnología novedosa, sino que la aparición de técnicas de computación avanzada (procesamiento distribuido, clústeres, GPUs, etc.) ha permitido implementar (crear modelos) este tipo de redes neuronales con poco esfuerzo y con tiempos razonables de ejecución comparados con los de las implementaciones de sus antecesoras. Adicionalmente, se han conseguido factores de precisión muy cercanos al 100% en tareas tan específicas como el reconocimiento de imágenes o del lenguaje hablado. 

Esta asignatura se centra en mostrar los fundamentos del Deep Learning y las principales herramientas que se pueden utilizar para desarrollar modelos basados en redes neuronales que, posteriormente, habilitarán al estudiante para resolver problemas de aplicación de este tipo de tecnología.

CONTEXTUALIZACIÓN

La asignatura de Deep Learning se trata de una asignatura de 4 créditos ECTS, de carácter optativo, impartida en el segundo semestre del Máster Universitario en Ingeniería y Ciencia de Datos. Guarda relación con las siguientes asignaturas también disponibles en el mismo Máster:

• Modelado estadístico de datos
• Aprendizaje automático I 
• Programación en entornos de datos
• Infraestructuras computacionales para procesamiento de datos masivos

Se considera imprescindible para la realización y seguimiento de la asignatura que el alumno posea unos sólidos fundamentos en el área del aprendizaje automático. Por esta razón es necesario que el estudiante haya cursado previamente la asignatura de Aprendizaje Automático I de éste máster.

Adicionalmente es recomendable cursar esta asignatura junto a la asignatura de Aprendizaje Automático II, ya que esta última complementa junto a Deep Learning los conocimientos y técnicas avanzadas del aprendidaje automático o Machine Learning

Además, se recomienda que los interesados en cursar el Máster tengan un nivel de lectura en inglés suficiente como para entender contenidos técnicos en dicha lengua. Gran parte de la bibliografía, así como los recursos proporcionados al estudiante en el curso virtual pueden estar únicamente en inglés, debido a la novedad de algunos de los contenidos propuestos para la asignatura. 

Se fomentará el uso de software libre siempre y cuando sea posible para la realización de las actividades y las practicas propuestas.

La tutorización de los estudiantes tendrá lugar esencialmente a través de los foros de la plataforma, aunque también podrán utilizarse ocasionalmente otros medios, tales como chats interactivos, servicios de mensajería instantánea y el correo electrónico. Adicionalmente, está también previsto, para temas personales que no afecten al resto de los estudiantes, atender consultas en persona o por teléfono.

El seguimiento del aprendizaje se realizará revisando la participación de los alumnos en los distintos foros de debate y las aportaciones de material nuevo además de la entrega en fecha de los diferentes trabajos prácticos que se han planificado durante el desarrollo del curso.

En caso de necesitar contactar con el Equipo Docente por medios distintos al curso virtual, se utilizará preferentemente el correo electrónico, pudiéndose también realizar entrevistas personales (presenciales, por teléfono o por videoconferencia) en los horarios establecidos y concertadas con antelación. Los horarios establecidos de atención al estudiante son los siguientes:

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 para la enseñanza a distancia. Por tanto, el sistema de enseñanza-aprendizaje estará basado en gran parte en el estudio independiente o autónomo del estudiante. Para ello, el estudiante contará con diversos materiales que permitirán su trabajo autónomo y la Guía de Estudio de la asignatura, que incluye orientaciones para la realización de las actividades prácticas. Asimismo, mediante la plataforma virtual de la UNED existirá un contacto continuo entre el equipo docente y los/as estudiantes, así como una interrelación entre los propios estudiantes a través de los foros, importantísimo en la enseñanza no presencial. 

El estudio de esta asignatura se realizará a través de los materiales y enlaces que el Equipo Docente publicará en el curso virtual.

Las actividades formativas para el estudio de la asignatura son las siguientes: 

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

Los medios necesarios para el aprendizaje son: 

1. Materiales teórico-prácticos preparados por el Equipo Docente para cubrir los conceptos básicos del temario. 
2. Bibliografía complementaria. El estudiante puede encontrar en ella información adicional para completar su formación. 
3. Curso Virtual de la asignatura, donde el estudiante encontrará: 

• Una guía de la asignatura en la que se hace una descripción detallada del plan de trabajo propuesto. 

• Un calendario con la distribución temporal de los temas propuesta por el Equipo Docente y con las fechas de entrega de las actividades teórico-prácticas que el estudiante tiene que realizar para su evaluación.            

• Enunciado de las actividades teórico-prácticas propuestas y zona donde depositar los entregables asociados a dichas actividades. 

• Los foros por medio de los cuales el Equipo Docente aclarará las dudas de carácter general y que se usarán también para comunicar todas aquellas novedades que surjan a lo largo del curso. Éste será el principal medio de comunicación entre los distintos participantes en la asignatura. 

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.