
Xarxes Neuronals i Aprenentatge Profund
Codi: 106573Crèdits: 6
| Titulació | Tipus | Curs |
|---|---|---|
| Intel·ligència Artificial / Bachelor in Artificial Intelligence | OB | 2 |
Professor/a de contacte
- Nom :
- Dimosthenis Karatzas
- Correu electrònic :
- dimosthenis.karatzas@uab.cat
Equip docent
- Mehmet Oguz Mulayim
Equip docent (extern a la UAB)
- Maximiliano Hormazabal Lagos
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Haver cursat les assignatures de Fonaments d'Aprenentatge Automàtic, Fonaments de Programació, Fonaments de Matemàtiques, Probabilitat i Estadística, i Enginyeria de Dades
Objectius
Aquesta assignatura té com a objectiu donar una introducció pràctica als models de xarxes neuronals i l'aprenentatge profund.
Els estudiants consolidaran i ampliaran els seus antecedents teòrics, construint sobre assignatures anteriors de aprenentatge automàtic i complementant el coneixement previ amb nous conceptes sobre el disseny de xarxes neuronals, les eines i sistemes d'aprenentatge profund, i les tècniques d'aprenentatge per a aquests models.
Els estudiants han d'acabar aquesta assignatura, tenint un ampli coneixement de les diferents arquitectures de xarxes neuronals i els seus escenaris d'ús típics, i una capacitat demostrada per triar críticament l'arquitectura correcta i els mecanismes d'aprenentatge adequats per a cada tasca.
Finalment, els estudiants rebran capacitació pràctica i adquiriran experiència en l'ús dels sistemes actuals d'aprenentatge profund per resoldre tasques concretes.
Resultats d'aprenentatge
- CM07 (Integrar solucions basades en aprenentatge automàtic en el disseny, la implementació i el desplegament d’aplicacions d’intel·ligència artificial.) Integrar solucions basades en aprenentatge automàtic en el disseny, la implementació i el desplegament d’aplicacions d’intel·ligència artificial.
- KM23 (Explicar els principis i la formulació matemàtica sobre els quals es fonamenten els algoritmes d’aprenentatge automàtic.) Explicar els principis i la formulació matemàtica sobre els quals es fonamenten els algoritmes d’aprenentatge automàtic.
- KM24 (Identificar els avantatges i inconvenients de diferents algoritmes i paradigmes d’aprenentatge en la seva aplicació a problemes d’aprenentatge.) Identificar els avantatges i inconvenients de diferents algoritmes i paradigmes d’aprenentatge en la seva aplicació a problemes d’aprenentatge.
- KM25 (Descriure els mecanismes i les arquitectures d’aprenentatge profund basat en xarxes neuronals per aplicar-ho a problemes d’aprenentatge.) Descriure els mecanismes i les arquitectures d’aprenentatge profund basat en xarxes neuronals per aplicar-ho a problemes d’aprenentatge.
- SM24 (Desenvolupar el procés d’implementació i entrenament de models d’aprenentatge automàtic utilitzant un mètode d’optimització adequat, fent servir les tècniques adequades de preprocessament i inicialització de dades i les tècniques de regularització necessàries.) Desenvolupar el procés d’implementació i entrenament de models d’aprenentatge automàtic utilitzant un mètode d’optimització adequat, fent servir les tècniques adequades de preprocessament i inicialització de dades i les tècniques de regularització necessàries.
- SM25 (Analitzar de manera crítica i raonada els resultats d’aplicació d’un model d’aprenentatge automàtic en funció dels requeriments del problema.) Analitzar de manera crítica i raonada els resultats d’aplicació d’un model d’aprenentatge automàtic en funció dels requeriments del problema.
- SM26 (Seleccionar els paradigmes, els algoritmes i les arquitectures adequats per a un problema d’aprenentatge, en funció del domini i el tipus de problema, de les dades disponibles i de qualsevol altra restricció o requeriment.) Seleccionar els paradigmes, els algoritmes i les arquitectures adequats per a un problema d’aprenentatge, en funció del domini i el tipus de problema, de les dades disponibles i de qualsevol altra restricció o requeriment.
- SM27 (Utilitzar de manera eficient i òptima els recursos de computació necessaris per a l’entrenament i la validació de models d’aprenentatge.) Utilitzar de manera eficient i òptima els recursos de computació necessaris per a l’entrenament i la validació de models d’aprenentatge.
Continguts
- Xarxes neuronals
- Neurones McCulloch-Pitts i Perceptron
- Multi-layer perceptrón
- backpropagation
- Procés d'entrenament
- Inicialització
- Algorismes d'optimització
- Tècniques de regularització
- Tasques i funcions de cost
- Arquitectures profundes de xarxes neuronals
- Xarxes convolucionals
- Xarxes recurrents
- Aprenentatge no supervisat (autoencoders)
- Atenció i Transformers
- Aprenentatge de mètriques (siamese i triplet networks)
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Classes de teoria | 24 | 0,96 | KM23, KM24, KM25 |
| Treball en problemes / projectes | 30 | 1,2 | CM07, SM24, SM25, SM26, SM27 |
| Estudi individual | 20 | 0,8 | KM23, KM24, KM25 |
| Tutories | 2 | 0,08 | KM23, KM24, KM25 |
| Sessions de laboratori | 21 | 0,84 | CM07, SM24, SM25, SM26, SM27 |
| Treball en problemes / projectes | 40 | 1,6 | CM07, SM24, SM25, SM26, SM27 |
El disseny de xarxes neuronals és guia pèls tipus de problemes que pretenen resoldre. A l'llarg d'aquesta assignatura serà aquesta tipologia de problemes la que proporcionarà la motivació de cada apartat i orientarà l'organització dels continguts.
Hi haura dos tipus de sessions:
Classes de teoria: L'objectiu d'aquestes sessions és que el professor expliqui a els antecedents teòrics de l'assignatura. Per a cadascú dels temes estudiats s'explica la teoria i la formulació matemàtica, així com les solucions algorítmiques corresponents.
Sessions de laboratori: les sessions de laboratori tenen com a objectiu facilitar la interacció, el treball col·laboratiu i reforçar la comprensió dels temes vistos a les classes de teoria. Durant les sessions de laboratori els estudiants treballaran casos pràctics que requereixen el disseny de solucions mitjançant els mètodes estudiats a les classes de teoria. La resolució de problemes s’iniciarà a la classe i es complementarà amb un conjunt setmanal de problemes per treballar a casa.
Les activitats anteriors es complementaran amb un sistema de tutories i consultes fora de l’horari de classes.
Projecte de l'Assignatura: Durant el semestre es farà un projecte, on els alumnes hauran de resoldre un problema específic de certa complexitat. Es treballarà en grups de 2-3 alumnes, on cada membre del grup haurà de contribuir de la mateixa manera a la solució final. Aquests grups de treball es mantindran fins al final del semestre i s'hauran d'autogestionar quant a distribució de rols, planificació del treball, assignació de tasques, gestió dels recursos disponibles, conflictes, etc. Per desenvolupar el projecte, els grups treballaran de forma autònoma, mentre que algunes de les sessions de laboratori es faran servir (1) perquè el professor presenti la temàtica dels projectes i discuteixi els possibles enfocaments, (2) per monitoritzar l'estat del projecte i (3) perquè els equips presentin els resultats finals.
Per a aquesta assignatura, l'ús de tecnologies d'Intel·ligència Artificial Generativa (IA) està permès exclusivament en tasques de suport, com ara la correcció de textos o les traduccions. L'estudiant no ha d'utilitzar tecnologies d'IA per desenvolupar codi que es lliurarà com a part dels exercicis setmanals o del projecte del curs. L'estudiant ha d'identificar clarament quines parts s'han generat amb aquesta tecnologia, especificar les eines utilitzades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l'activitat. La manca de transparència de l'ús de la IA en aquesta activitat avaluable es considerarà una manca d'honestedat acadèmica i podrà comportar una penalització parcial o total en la nota de l'activitat, o sancions majors en casos greus.
Tota la informació de l’assignatura i els documents relacionats que necessiten els estudiants estaran disponibles al campus virtual (cv.uab.cat).
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Proves practiques | 40% | 4 | 0,16 | CM07, SM24, SM25, SM26, SM27 |
| Lliurament de problemes | 10% | 5 | 0,2 | CM07, SM24, SM25 |
| Proves escrites | 50% | 4 | 0,16 | KM23, KM24, KM25 |
Per avaluar el nivell d'aprenentatge de l'alumne, s'estableix una fórmula que combina l'adquisició de coneixements teòrics i pràctics, i la capacitat de resolució de problemes.
Nota final
La nota final es calcula ponderada de la següent manera i segons les diferents activitats que es duen a terme:
Nota final = 0.5 * Nota de teoria + 0.1 * Nota de problemes + 0.4 * Nota de Projecte
Aquesta fórmula s'aplicarà sempre que la qualificació de l'avaluació teòrica i pràctica sigui superior a 5. No hi ha restricció en la qualificació de la cartera de problemes. Si al fer el càlcul de la fórmula s'obté> = 5 però la nota de teoria o la nota de l'avaluació pràctica no arriba al mínim exigit, s'atorgarà una nota final de 4,5.
Nota de teoria
La nota de teoria té com a objectiu avaluar les habilitats individuals de l'alumne pel que fa al contingut teòric de l'assignatura, això es realitza de forma contínua durant el curs a través de dos exàmens parcials. La qualificació general de teoria és la mitjana de les qualificacions dels dos exàmens parcials.
L'examen parcial # 1 es realitza a meitat de semestre i serveix per eliminar part de la matèria si s'aprova. L'examen parcial # 2 es realitza al final del semestre i serveix per eliminar la part del temari que ve després del parcial 1 si s'aprova.
Aquests exàmens tenen com a objectiu avaluar les habilitats de cada alumne de forma individualitzada, tant en la resolució de problemes utilitzant les tècniques explicades a classe, com valorant el nivell de conceptualització que ha fet l'alumne de les tècniques vistes. Per obtenir una nota de teoria es requerirà que les qualificacions de tots dos exàmens parcials siguin superiors a 4. Si al fer el càlcul de la fórmula s'obté >= 5 però les qualificacions de qualsevol dels dos exàmens parcials no arriben al mínim requerit, llavors la nota final de teoria serà de 4.5.
Examen de recuperació. En cas que la nota de teoria no arriba al nivell adequat per aprovar, els alumnes poden realitzar un examen de recuperació, destinat a recuperar la part reprovada (1, 2 o ambdues) del procés d'avaluació contínua.
Nota de Problemes
L'objectiu dels problemes és que l'alumne s'entreni de manera continuada amb els continguts de l'assignatura i es familiaritzi amb l'aplicació dels conceptes teòrics. Com a prova d'aquest treball se sol·licita el lliurament d'un portafoli amb les solucions als problemes setmanals. Per obtenir una nota de problemes es requereix que l'alumne lliuri un mínim del 70% dels problemes. En cas contrari, la qualificació de problemes serà 0.
Nota de Projecte
El projecte d’assignatura té un pes essencial en la nota global de l’assignatura. Desenvolupar el projecte requereix que els estudiants treballin de manera col·laborativa i dissenyin una solució integral al repte definit. A més, els estudiants han de demostrar les seves habilitats de treball en equip i presentar els resultats a classe.
El projecte s'avalua a través dels lliurables, una presentació oral que els estudiants realitzaran a classe i un procés d'autoavaluació. La participació dels estudiants a les tres activitats (preparació del lliurable, presentació i autoavaluació) és necessària per obtenir la qualificació dels projectes. La qualificació es calcula de la manera següent:
Nota Projecte = 0.6 * Nota Lliurable + 0.3 * Nota Presentació + 0.1 * Nota Autoavaluació
Si en fer el càlcul anterior s'obté >= 5 però l'estudiant no va participar en cap de les activitats (lliurables, presentació, autoavaluació), aleshores s'atorgarà una qualificació final de 4.5 al projecte del curs.
En cas de no assolir la nota mínima, el grup podrà recuperar el projecte, amb una nota màxima restringida a 7/10.
Notes importants
Sense perjudici d'altres mesures disciplinàries que s'estimin oportunes, i d'acord amb la normativa acadèmica vigent, les activitats d'avaluació seran suspeses amb zero (0) sempre que un alumne cometi alguna irregularitat acadèmica que pugui alterar aquesta avaluació (per exemple, plagi, còpia, cessió de còpia, ...). Les activitats d'avaluació qualificades d'aquesta forma i per aquest procediment no seran recuperables. Si es necessita aprovar alguna d'aquestes activitats d'avaluació per aprovar l'assignatura, aquesta assignatura es suspendrà directament, sense possibilitat de recuperar-la en el mateix curs.
En cas que l'alumne no participi en el projecte de l'assignatura o en algun dels exàmens, la nota corresponent de l'activitat i la nota final de l'assignatura serà “no avaluable”.
Per obtenir matrícula d'honor, la qualificació final ha de ser igual o superior a 9 punts. A causa que el nombre d'estudiants amb aquesta distinció no pot excedir el 5% de l'nombre total d'estudiants inscrits al curs, se li atorga a qui tingui la qualificació final més alta. En cas d'empat, es tindran en compte els resultats dels exàmens parcials.
Més detalls sobre el procés d'avaluació es faran a classe durant les primeres setmanes del semestre. En cas de discrepància entre aquesta guia i la informació donada a classe, prevaldrà la informació proporcionada a classe.
Bibliografia
Llibres:
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, MIT Press, 1st Ed. 2016
- Deep learning with Python, François Chollet, Manning Publications, 2nd Ed., 2022
- Pattern Recognition and Machine Learning, Christopher Bishop, Springer, 2011
Llibres en línia:
- Michael Nielsen, "Neural Networks and Deep Learning"
- http://neuralnetworksanddeeplearning.com/
- Zhang, Z.C. Lipton, M. Li, A.J. Smola, “Dive into Deep Learning”, 2021
- https://d2l.ai/
Programari
Per a les activitats pràctiques del curs utilitzarem Python (NumPy, MatPlotLib, SciKit Learn) i PyTorch
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
| Tipus de docència | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (TE) Teoria | 71 | Anglès | segon quadrimestre | tarda |
| (PAUL) Pràctiques d'aula | 711 | Anglès | segon quadrimestre | tarda |
| (PLAB) Pràctiques de laboratori | 711 | Anglès | segon quadrimestre | tarda |
| (PLAB) Pràctiques de laboratori | 712 | Anglès | segon quadrimestre | tarda |