asignatura master 2025
APRENDIZAJE PROFUNDO
Curso 2024/2025 Código Asignatura: 31080010
-
Guía de la Asignatura Curso 2024/2025
- Primeros Pasos
- Presentación y contextualización
- Requisitos y/o recomendaciones para cursar esta asignatura
- Equipo docente
- Horario de atención al estudiante
- Competencias que adquiere el estudiante
- Resultados de aprendizaje
- Contenidos
- Metodología
- Sistema de evaluación
- Bibliografía básica
- Bibliografía complementaria
- Recursos de apoyo y webgrafía
APRENDIZAJE PROFUNDO
Código Asignatura: 31080010
PRESENTACIÓN Y CONTEXTUALIZACIÓN
La guía de la asignatura ha sido actualizada con los cambios que aquí se mencionan.
NOMBRE DE LA ASIGNATURA | APRENDIZAJE PROFUNDO |
CÓDIGO | 31080010 |
CURSO ACADÉMICO | 2024/2025 |
TÍTULOS DE MASTER EN QUE SE IMPARTE |
MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL
|
TIPO | CONTENIDOS |
Nº ECTS | 6 |
HORAS | 150 |
PERIODO | ANUAL |
IDIOMAS EN QUE SE IMPARTE | CASTELLANO |
PRESENTACIÓN
Las redes neuronales profundas, o Aprendizaje Profundo (Deep Learning), son una tecnología basada en el concepto clásico de redes neuronales. En Aprendizaje Profundo, 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) de 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 Aprendizaje Profundo 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 Aprendizaje Profundo se trata de una asignatura de 6 créditos ECTS, de carácter optativo, de duración anual del Máster en Investigación en Inteligencia Artificial. Guarda relación con las siguientes asignaturas también disponibles en el mismo Máster:
- Métodos de Aprendizaje Automático
- Visión Artificial
- Descubrimiento de Información en Textos
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.
Nombre y apellidos | JOSE MANUEL CUADRA TRONCOSO |
Correo electrónico | jmcuadra@dia.uned.es |
Teléfono | 91398-7144 |
Facultad | ESCUELA TÉCN.SUP INGENIERÍA INFORMÁTICA |
Departamento | INTELIGENCIA ARTIFICIAL |
Nombre y apellidos | RAFAEL PASTOR VARGAS |
Correo electrónico | rpastor@dia.uned.es |
Teléfono | 91398-8383 |
Facultad | ESCUELA TÉCN.SUP INGENIERÍA INFORMÁTICA |
Departamento | SISTEMAS DE COMUNICACIÓN Y CONTROL |
Nombre y apellidos | RAFAEL PASTOR VARGAS |
Correo electrónico | rpastor@scc.uned.es |
Teléfono | 91398-8383 |
Facultad | ESCUELA TÉCN.SUP INGENIERÍA INFORMÁTICA |
Departamento | SISTEMAS DE COMUNICACIÓN Y CONTROL |
Nombre y apellidos | JORGE PEREZ MARTIN |
Correo electrónico | jperezmartin@dia.uned.es |
Teléfono | 91398-9387 |
Facultad | ESCUELA TÉCN.SUP INGENIERÍA INFORMÁTICA |
Departamento | INTELIGENCIA ARTIFICIAL |
Nombre y apellidos | JOSE MANUEL CASTILLO CARA |
Correo electrónico | manuelcastillo@dia.uned.es |
Teléfono | |
Facultad | ESCUELA TÉCN.SUP INGENIERÍA INFORMÁTICA |
Departamento | INTELIGENCIA ARTIFICIAL |
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.
Adicionalmente, está también previsto, para temas personales que no afecten al resto de los estudiantes, atender consultas en persona, por teléfono, correo electrónico.
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 de atención al estudiante establecidosson los siguientes:
Profesor | Horario de atención | Correo electrónico | Teléfono de contacto | Dirección postal |
---|---|---|---|---|
José Manuel Cuadra Troncoso | Lunes de 16 a 20 horas | jmcuadra@dia.uned.es | 91 398 7144 | Juan del Rosal, 16, 3-19 |
Manuel Castillo Cara | Martes de 10 a 14 | manuelcastillo@dia.uned.es | 91 398 9688 | Juan del Rosal, 16, 3-20 |
Rafael Pastor Vargas | Lunes de 16 a 20 horas | rpastor@scc.uned.es | 91 398 8383 | Juan del Rosal, 16, 5-07 |
Jorge Pérez Martín | Martes de 8 a 12 horas | jperezmartin@dia.uned.es | 91 398 9387 | Juan del Rosal, 16, 3-01 |
COMPETENCIAS GENERALES
CG1 - 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.
CG2 - 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.
CG3 - 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.
CG4 - 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 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 ESPECÍFICAS
CE1 - Conocer los fundamentos de la Inteligencia Artificial y las fronteras actuales en investigación.
CE2 - Conocer un conjunto de métodos y técnicas tanto simbólicas como conexionistas y probabilistas, para resolver problemas propios de la Inteligencia Artificial.
CE3 - Conocer los procedimientos específicos de aplicación de estos métodos a un conjunto relevante de dominio (educación, medicina, ingeniería, sistemas de seguridd y vigilancia, etc.), que representan las áreas más activas de investigación en IA.
Los resultados de aprendizaje que se pretenden alcanzar con el estudio de esta asignatura son los siguientes:
- Identificar el concepto de red neuronal y la estructura que define su comportamiento.
- 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 Aprendizaje Profundo en entornos Cloud
Introducción a las redes neuronales.
En este bloque se dará una introducción a la teoría de las redes neuronales, su implementación usando Keras sobre TensorFlow, aspectos prácticos del uso de redes neuronales y ejemplos de clasificación y regresión.
En el curso virtual se dispone de un vídeo de introducción al módulo.
Parte 1 Introducción a las redes neuronales
- De las neuronas naturales a las artificiales
- El perceptrón
- El perceptrón multicapa y la retropropagación del gradiente
- Regresión y clasificación con perceptrones multicapa
Parte 2 Aspectos prácticos del uso de perceptrones multicapa
- Instalación de las herramientas a utilizar
- Introducción a Tensonflow y Keras
- Ejemplos de regresión y clasificación con Keras
- Uso avanzado de Keras: creación de subclases y uso de callbacks
- Uso de Tensorboard para visualización
- Ajuste fino de hiperparámetros
Los contenidos del tema tienen una dificultad media ya que necesitan de conocimientos matemáticos para su perfecta comprensión, estos conocimientos se imparten en las titulaciones de acceso al Máster.
Fundamentos de las redes neuronales profundas
En este tema se dará una introducción a las redes neuronales profundas, su procesamiento, campos de uso y pros y contras de su utilización.
- Introducción al Aprendizaje Profundo.
- Conceptos fundamentales del Aprendizaje Profundo
- Algoritmos de Aprendizaje Profundo
- Aplicaciones del Aprendizaje Profundo
- Las razones de la popularidad del Aprendizaje Profundo
- Bibliotecas de código abierto
En el curso virtual se dispone de un vídeo de introducción al tema.
Los contenidos del módulo son introductorios y no tienen una dificultad elevada, siendo sencillos su estudio.
Tipologías de las redes neuronales profundas
En este tema se introducirán los principales tipos de redes neuronales profundas tanto para aprendizaje supervisado como para no supervisado:
- Redes convolucionales profundas (CNN)
- RN recurrentes y recursivas (RNN) (RNTN)
- Restricted Boltzmann machines (RBM)
- Deep belief networks (DBN) y Deep Boltzmann machines (DBM)
- Generative adversarial network (GAN)
- Autoencoders
En el curso virtual se dispone de un vídeo de introducción al tema.
Los contenidos del tema tienen una dificultad media ya que necesitan de conocimientos matemáticos para su perfecta comprensión, estos conocimientos se imparten en las titulaciones de acceso al Máster.
Herramientas y estrategias de programación e implementación de redes neuronales
En este tema se tratarán las herramientas de programación e implementación de redes neuronales profundas. Se analizarán diferentes marcos de trabajo con el objetivo de evaluar ventajas y desventajas de los mismos:
- Frameworks para Aprendizaje Profundo
- Computación acelerada (GPU)
- Proveedores de servicio
En el curso virtual se dispone de un vídeo de introducción al tema.
Los contenidos del módulo son introductorios y no tienen una dificultad elevada, siendo sencillos su estudio.
Desarrollo e implementación de redes neuronales convolucionales y recurrentes
En este tema, se verán las arquitecturas y técnicas de desarrollo de redes neuronales convolucionales y recurrentes, que son los tipos de redes profundas que más se emplean en el ámbito científico y profesional. En el caso de las redes neuronales, estas están especializadas en el proceso de datos con estructura de malla o matriz, tales como series temporales e imágenes. Se estudiará en profundidad este tipo de redes así como varios de sus campos de aplicación, concretamente se verán los siguientes contenidos:
- Introducción a la Visión Artificial clásica
- La arquitectura de la corteza visual
- Capas Convolucionales
- Capas de agrupación
- Arquitecturas de CNN
- Implementación de una CNN ResNet-34 utilizando Keras
- Uso de modelos entrenados de Keras
- Modelos entrenados para el aprendizaje de transferencia
- Clasificación y localización
- Detección de objetos
- Segmentación
Las redes recurrentes son usadas para procesar datos secuenciales como textos o contenidos estructurados jerárquicamente. En este tema estudiaremos en profundidad este tipo de redes así como varios de sus campos de aplicación.
- Neuronas recurrentes y capas
- Entrenamiento de RNN
- Pronosticar una serie temporal
- Manejo de secuencias largas
- Generando texto de Shakespeare usando RNN
- Análisis de los sentimientos
- Una red de codificador-decodificador para traducción automática
- Mecanismos de atención
- Innovaciones recientes en modelos de lenguaje
En el curso virtual se dispone de un vídeo de introducción al tema.
Los contenidos del tema tienen una dificultad media ya que necesitan de conocimientos matemáticos para su perfecta comprensión, estos conocimientos se imparten en las titulaciones de acceso al Máster.
Servicios y proveedores de Aprendizaje Profundo en la nube
El uso intensivo de la capacidad computacional que es necesario en Deep Learning hace que el modelo de servicio de la nube proporcione una plataforma de trabajo adecuada para cargas computacionales de altas prestaciones (HPC, High Processing) y la demanda específica en el desarrollo de modelos basados en redes neuronales profundas. En este tema se presentarán las alternativas presentes en los proveedores de servicio más conocidos, y como emplear las herramientas de dichos proveedores para desarrollar los modelos, asi como implementar un servicio computacional que se integre con las aplicaciones/servicios que usen las predicciones de las redes neuronales profundas. Los contenidos del tema son los siguientes:
- Introducción a la nube
- Google Cloud Platform: Machine Learning Engine
- AWS Machine Learning
- Microsoft Azure: Machine Learning Studio
- IBM Watson Machine Learning y Data Studio
Los contenidos del módulo no son complejos pero requieren de conocimiento básico de trabajo con los diferentes proveedores. Para facilitar su estudio se proporcionan varias video-lecciones prácticas de uso de las diferentes herramientas de los proveedores.
Escenarios y casos prácticos de aplicación del Aprendizaje Profundo
Se verán distintos ejemplos de campos de aplicación de las redes neuronales profundas, tales como visión artificial, ciberseguridad, etc. Los contenidos del tema son los siguientes:
- Visión general de escenarios de aplicación
- Aplicaciones en Visión artificial
- Tratamiento de imágenes médicas
- Deep learning en ciberseguridad
Los contenidos del módulo no tienen una dificultad elevada, siendo sencillos su estudio a través de los materiales proporcionados por el equipo docente.
Introducción al aprendizaje por refuerzo
En el Aprendizaje por Refuerzo (Reinforcement Learning RL), un agente inteligente realiza observaciones y acciones en un entorno y, a cambio, recibe recompensas del entorno. Su objetivo es aprender a actuar de forma que maximice sus recompensas esperadas a lo largo del tiempo. En este tema estudiaremos en profundidad este tipo de aprendizaje aplicando redes neuronales así como varios de sus campos de aplicación:
- Políticas y recompensas
- Procesos de decisión de Markov
- Aprendizaje por diferencias temporales
- Deep Q-Learning
- Otros algoritmos de RL
En el curso virtual se dispone de un vídeo de introducción al tema.
Los contenidos del tema tienen una dificultad media ya que necesitan de conocimientos matemáticos para su perfecta comprensión, estos conocimientos se imparten en las titulaciones de acceso al Máster.
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 (70 horas)
- Actividades en la plataforma virtual (10 horas)
- Prácticas informáticas (70 horas)
- Total:150 horas
Los medios necesarios para el aprendizaje son:
- Materiales teórico-prácticos preparados por el Equipo Docente para cubrir los conceptos básicos del temario.
- Bibliografía complementaria. El estudiante puede encontrar en ella información adicional para completar su formación.
- 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.
TIPO DE PRIMERA PRUEBA PRESENCIAL |
|
---|---|
Tipo de examen | |
Tipo de examen | No hay prueba presencial |
TIPO DE SEGUNDA PRUEBA PRESENCIAL |
|
---|---|
Tipo de examen | |
Tipo de examen | No hay prueba presencial |
CARACTERÍSTICAS DE LA PRUEBA PRESENCIAL Y/O LOS TRABAJOS | |
---|---|
CARACTERÍSTICAS DE LA PRUEBA PRESENCIAL Y/O LOS TRABAJOS |
|
Requiere Presencialidad | |
Requiere Presencialidad | No |
Descripción | |
Descripción | No hay trabajos |
Criterios de evaluación | |
Criterios de evaluación | |
Ponderación de la prueba presencial y/o los trabajos en la nota final | |
Ponderación de la prueba presencial y/o los trabajos en la nota final | |
Fecha aproximada de entrega | |
Fecha aproximada de entrega | |
Comentarios y observaciones | |
Comentarios y observaciones |
PRUEBAS DE EVALUACIÓN CONTINUA (PEC) | |
---|---|
PRUEBAS DE EVALUACIÓN CONTINUA (PEC) |
|
¿Hay PEC? | |
¿Hay PEC? | Si,PEC no presencial |
Descripción | |
Descripción | Hay cuatro prácticas de laboratorio (PECs):
|
Criterios de evaluación | |
Criterios de evaluación | Los criterios de evaluación se comentan en las descripciones de las actividades que están disponibles en el curso virtual. |
Ponderación de la PEC en la nota final | |
Ponderación de la PEC en la nota final | Cada práctica de laboratorio (PEC0, PEC1, PEC2 y PEC3) tiene una ponderación del 25 % en la nota final. |
Fecha aproximada de entrega | |
Fecha aproximada de entrega | PEC0:28/02; PEC1:30/03; PEC2:30/04; PEC3:30/05 |
Comentarios y observaciones | |
Comentarios y observaciones | Las prácticas de laboratorio se calificarán de 1 a 10 puntos, siendo el 10 la máxima puntuación. Se deben superar por separado cada una de las prácticas para que se contabilicen en la nota final para poder aprobar la asignatura (esto es, hay que sacar en cada una al menos un 5). Estas fechas de entrega son aproximadas. En el curso virtual se organizarán tareas para la entrega de dichas prácticas con las fechas exactas. |
OTRAS ACTIVIDADES EVALUABLES |
|
---|---|
¿Hay otra/s actividad/es evaluable/s? | |
¿Hay otra/s actividad/es evaluable/s? | No |
Descripción | |
Descripción | |
Criterios de evaluación | |
Criterios de evaluación | |
Ponderación en la nota final | |
Ponderación en la nota final | |
Fecha aproximada de entrega | |
Fecha aproximada de entrega | |
Comentarios y observaciones | |
Comentarios y observaciones |
¿Cómo se obtiene la nota final? |
|
---|---|
La nota final se calcula con la siguiente fórmula: Nota Final = (NPEC0+NPEC1+NPEC2+NPEC3)/4 donde NPECi (i = 0,1,2,3) es nota de las cuatro prácticas de laboratorio (de 0 a 10 cada una) Se deben aprobar cada una de las cuatro prácticas de laboratorio. |
ISBN(13): 9780262035613
Título: DEEP LEARNING Autor/es: Ian Goodfellow;Aaron Courville;Yoshua Bengio; Editorial: THE MIT PRESS |
ISBN(13): 9781098125974
Título: HANDS-ON MACHINE LEARNING WITH SCIKIT-LEARN, KERAS, AND TENSORFLOW 3rd Edition Autor/es: Aurélien Géron; Editorial: O'Reilly Media, Inc. |
ISBN(13): 9781787128422
Título: DEEP LEARNING WITH KERAS Autor/es: Antonio Gulli;Sujit Pal; Editorial: Packt Publishing |
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).
ISBN(13): 9781491914250
Título: DEEP LEARNING Autor/es: Josh Patterson;Adam Gibson; Editorial: O'Reilly Media |
ISBN(13): 9781491925614
Título: FUNDAMENTALS OF DEEP LEARNING Autor/es: Nikhil Buduma; Editorial: O'Reilly Media |
ISBN(13): 9781786464453
Título: PYTHON DEEP LEARNING Autor/es: Peter Roelants;Valentino Zocca;Gianmario Spacagna;Daniel Slater; Editorial: Packt Publishing |
ISBN(13): 9781788470315
Título: DEEP LEARNING: PRACTICAL NEURAL NETWORKS WITH JAVA Autor/es: Alan M. F. Souza;Yusuke Sugomori;Boštjan Kaluža;Fábio M. Soares; Editorial: Packt Publishing |
ISBN(13): 9781789139495
Título: HANDS-ON NATURAL LANGUAGE PROCESSING WITH PYTHON Julio 2018 Autor/es: Rajesh Arumugam;Rajalingappaa Shanmugamani; Editorial: Packt Publishing |
ISBN(13): 9781789534092
Título: DEEP LEARNING WITH PYTORCH QUICK START GUIDE Autor/es: David Julian; Editorial: Packt Publishing |
ISBN(13): 9781789802993
Título: DEEP LEARNING WITH MICROSOFT COGNITIVE TOOLKIT QUICK START GUIDE Autor/es: Willem Meints; Editorial: Packt Publishing |
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.