Anar al contingut (clic a Intro)
UdG Home UdG Home
Tancar
Menú

Estudia

Dades generals

Curs acadèmic:
2023
Descripció:
L'objectiu d'aquesta assignatura és aprofundir en el coneixement de l'aprenentatge automàtic estudiant diferents tècniques i aplicacions avançades de ciència de dades 1. Deep learning 2. Transfer learning 3. Aprenentatge per reforç 4. Xarxes convolucionals per al processament d'imatges 5. Mineria de text. Processament de el llenguatge natural 6. Sistemes recomanadors
Crèdits:
6

Grups

Grup A

Durada:
Semestral, 1r semestre
Professorat:
Nuno Ricardo Estrela Gracias  / Rafael Garcia Campos
Idioma de les classes:
Anglès (100%)

Competències

  • CG4- Dissenyar propostes creatives
  • CB6- Posseir i comprendre coneixements que aportin una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context d'investigació
  • CB7- Que els estudiants sàpiguen aplicar els coneixements adquirits i la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis relacionats amb la seva àrea d'estudi
  • CB10- Que els estudiants tinguin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran manera autodirigida o autònoma
  • CE1- Programar, a nivell avançat, en els llenguatges i llibreries més utilitzats en la robòtica de camp intel·ligent
  • CE2- Analitzar un problema relacionat amb sistemes autònoms intel·ligents i identificar les tècniques i les eines apropiades per resoldre'l
  • CE3- Entendre, desenvolupar, modificar i aplicar de manera efectiva mètodes d'aprenentatge automàtic
  • CE8- Comprendre els fonaments matemàtics dels algorismes utilitzats en els sistemes robòtics intel·ligents

Continguts

1. Introduction

2. Learning Paradigms

3. Deep Learning Applications

4. Adversarial Training

5. Long Short-Term Memory in Computer Vision

6. Topics on Historical Neutral Networks

Activitats

Tipus d’activitat Hores amb professor Hores sense professor Hores virtuals amb professor Total
Prova d'avaluació 5,00 15,00 0 20,00
Sessió expositiva 24,00 56,00 0 80,00
Sessió pràctica 16,00 34,00 0 50,00
Total 45,00 105,00 0 150

Bibliografia

  • Goodfellow, Ian (2016). Deep learning. Cambridge, Massachusetts: The MIT Press. Catàleg
  • Bishop, Christopher M. (2006). Pattern recognition and machine learning. New York: Springer. Catàleg
  • François Chollet (2018). Deep Learning with Python. Manning Publications.
  • Adrian Rosebrock (2017). Deep Learning for Computer Vision with Python. PyImageSearch.

Avaluació i qualificació

Activitats d'avaluació:

Descripció de l'activitat Avaluació de l'activitat % Recuperable
Lab assignments These lab assignments are evaluated on the basis of the Python code delivered by the students and a report explaining what has been done, what problems have aroused, and how the students have solved these problems. 30 No
Student Presentations Students will be evaluated based on the clarity of the presentations and their ability to defend the work presented, including answering questions by their piers. 20 No
Exam Coherence of answers with respect to the reviewed contents. Synthesis ability. 50

Qualificació

About evaluation:

50% Exam.
30% Lab's evaluation (Every exercise Mark >= 4/10)
20% Student's presentation

Criteris específics de la nota «No Presentat»:
Lab assignments are mandatory. Failure to deliver a lab assignment implies that the student will not be evaluated in the module.

Avaluació única:
Exam of theoretical and practical contents of the subject. In order to be able to do this, it will be necessary to first deliver two alternative labs that will be provided to students who opt for the single assessment.

The final grade will be 80% of the exam and 20% of the labs.

If deemed necessary, a meeting will be organized where teachers can ask questions they deem appropriate about the lab reports delivered.

For the students to be elegible for the single assessment, they should apply within the deadlines set and in accordance with the procedures and criteria established by the Governing Board of the center.

Requisits mínims per aprovar:
To pass the module, the global mark must be >= 5/10

Tutoria

Students can arrange tutorial sessions with the professor by contacting the professor via email. Whenever possible, questions and doubts will be solved via email. Otherwise the tutorial will be conducted using Zoom or face-to-face.

Comunicacio i interacció amb l'estudiantat

Presentation of information about the course and course activities will be done through Moodle. Google meet will be used for non-contact sessions. All message communication between the professors and the students will be made by internal Moodle messaging system or by email. Students will use Moodle to upload reports.

Observacions

Students must be familiar with programming in Python.

Escull quins tipus de galetes acceptes que el web de la Universitat de Girona pugui guardar en el teu navegador.

Les imprescindibles per facilitar la vostra connexió. No hi ha opció d'inhabilitar-les, atès que són les necessàries pel funcionament del lloc web.

Permeten recordar les vostres opcions (per exemple llengua o regió des de la qual accediu), per tal de proporcionar-vos serveis avançats.

Proporcionen informació estadística i permeten millorar els serveis. Utilitzem cookies de Google Analytics que podeu desactivar instal·lant-vos aquest plugin.

Per a oferir continguts publicitaris relacionats amb els interessos de l'usuari, bé directament, bé per mitjà de tercers (“adservers”). Cal activar-les si vols veure els vídeos de Youtube incrustats en el web de la Universitat de Girona.