Universidad Pública de Navarra



Año Académico: 2025/2026 | Otros años:  2024/2025  |  2023/2024  |  2022/2023  |  2021/2022 
Graduado o Graduada en Ciencia de Datos por la Universidad Pública de Navarra
Código: 505404 Asignatura: APRENDIZAJE PROFUNDO
Créditos: 6 Tipo: Obligatoria Curso: 4 Periodo: 1º S
Departamento: Estadística, Informática y Matemáticas
Profesorado:
RODRIGUEZ MARTINEZ, IOSU (Resp)   [Tutorías ]

Partes de este texto:

 

Módulo/Materia

  • Materia de Nivel 1: Aprendizaje
  • Materia de Nivel 2: Aprendizaje

Subir

Descripción/Contenidos

Perceptrón y perceptrón multicapa. Bases teóricas de las redes neuronales profundas. Redes neuronales profundas. Redes de creencia profundas: autocodificadores profundos. Redes convolucionales y recurrentes. Regularización.

Subir

Competencias genéricas

No aplica

Subir

Competencias específicas

No aplica

Subir

Resultados aprendizaje

RA04 - Saber utilizar los procesos teóricos y aplicados que permiten extraer información a partir de conjuntos de datos de naturaleza homogénea u heterogénea, en particular cuando se trata de grandes volúmenes de datos TIPO: Conocimientos o contenidos
RA05 - Identificar las soluciones más adecuadas y efectivas para los problemas que se planteen el marco de la Ciencia de Datos, teniendo en cuenta tanto las características propias del problema como el entorno del mismo TIPO: Conocimientos o contenidos
RA29 - Entender las estructuras bioinspiradas para el aprendizaje, sus bases teóricas, su diseño y sus aplicaciones en diferentes problemas TIPO: Competencias
RA27 - Ser capaces de pensar críticamente sobre los datos, identificando los modos de almacenamiento, pre-procesamiento y análisis más adecuados para los objetivos del estudio TIPO: Competencias
RA28 - Manejar los métodos de aprendizaje tanto estadísticos como automáticos aplicados a conjuntos de datos TIPO:
Competencias

Subir

Metodología

Metodología-Actividad Horas presenciales Horas no presenciales
A1- Clases expositivas/participativas 28  
A2- Prácticas 28  
A4- Realización de trabajos/proyectos en grupo   10
A5- Estudio y trabajo autónomo    78
A6- Tutorías   2
A7- Pruebas de evaluación 4  
Total 60 90

Subir

Evaluación

 

Actividad de
evaluación		 Peso (%) Carácter
recuperable		 Nota mínima
requerida
SE1. Pruebas escritas 40 Sí 5
SE3. Presentaciones orales 10 No  
SE4- Trabajos e informes 20 No  
SE5- Pruebas e informes de trabajo experimental 25 Sí 5
SE7- Participación activa en clase 5 No  

Si en alguna de las actividades no se cumpliera el mínimo para ponderar, la nota de la asignatura será como máximo 4,9 sobre 10 (suspenso).

Subir

Temario

Tema 1: Redes neuronales y sus fundamentos

  • Aproximación de funciones mediante redes totalmente conexas
  • Diferenciación automática y grafos computacionales

Tema 2: Modelos profundos en la visión artificial

  • Introducción a la visión artificial
  • Redes Neuronales Convolucionales
  • Retos de los modelos profundos
  • Regularización en el Aprendizaje Profundo

Tema 3: Procesado de secuencias mediante arquitecturas encoder-decoder

  • Modelos recurrentes
  • Nociones básicas de Procesamiento del Lenguaje Natural (NLP)
  • El mecanismo de atención
  • Mecanismo de autoatención (self-attention): La arquitectura transformer

Tema 4: Aplicación de Aprendizaje Profundo a otros problemas

  • Autoencoders
  • Redes Neuronales de grafos

Subir

Programa de prácticas experimentales

Introducción a Pytorch

Clasificación de datos tabulares mediante MLPs

Segmentación de imágenes mediante redes neuronales convolucionales

Técnicas de explicabilidad para modelos convolucionales

Predicción en series temporales mediante redes recurrentes

Traducción de textos mediante modelos transformer

Subir

Bibliografía

Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.


La bibliografía básica de la asignatura es la que sigue:

  • Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. Cambridge, Londres: MIT press
  • Prince, S. J. (2023). Understanding deep learning. MIT press.
  • Kamath. U., Liu J., & Whitaker. J. (2019). Deep Learning for NLP and Speech Recognition. Cham: Springer

La bibliografía complementaria de la asignatura es la siguiente:

  • Stevens, E., & Antiga, L., (2021). Deep Learning with PyTorch: Build, Train, and Tune Neural Networks Using Python Tools. Manning Publications
  • Scardapane, S. (2024). Alice's Adventures in a differentiable wonderland: A primer on designing neural networks (Volume 1). Independently published.

Subir

Idiomas

Castellano.

Subir

Lugar de impartición

Universidad Pública de Navarra, Campus Arrosadía

Subir