Gaia
Deep Learningerako Sarrera
Gaiari buruzko datu orokorrak
- Modalitatea
- Ikasgelakoa
- Hizkuntza
- Gaztelania
Irakasgaiaren azalpena eta testuingurua
En este curso se abordarán los fundamentos teóricos de las redes neuronales profundas, así como las aplicaciones de las mismas. En una primera fase, se abordarán los conceptos más importantes (funciones de pérdida, descenso de gradiente, backpropagation) usando perceptrones multicapa. En una segunda fase, se introducirán arquitecturas más modernas como las redes convolucionales y las redes recurrentes.Irakasleak
Izena | Erakundea | Kategoria | Doktorea | Irakaskuntza-profila | Arloa | Helbide elektronikoa |
---|---|---|---|---|---|---|
ARGANDA CARRERAS, IGNACIO | Euskal Herriko Unibertsitatea | Ikerbaske Bisitaria | Doktorea | Elebakarra | Konputazio Zientzia eta Adimen Artifiziala | ignacio.arganda@ehu.eus |
SOROA ECHAVE, AITOR | Euskal Herriko Unibertsitatea | Irakaslego Agregatua | Doktorea | Elebiduna | Konputazio Zientzia eta Adimen Artifiziala | a.soroa@ehu.eus |
Gaitasunak
Izena | Pisua |
---|---|
Conocimiento de los problemas típicos de deep learning y las formas de resolverlos. | 25.0 % |
Conocimiento de los principales paradigmas de redes neuronales y sus características principales. | 25.0 % |
Ser capaz de desarrollar soluciones de deep learning para problemas reales. | 25.0 % |
Ser capaz de reconocer los modelos de redes neuronales apropiados para diferentes problemas. | 25.0 % |
Irakaskuntza motak
Mota | Ikasgelako orduak | Ikasgelaz kanpoko orduak | Orduak guztira |
---|---|---|---|
Magistrala | 10 | 0 | 10 |
Ordenagailuko p. | 20 | 45 | 65 |
Irakaskuntza motak
Izena | Orduak | Ikasgelako orduen ehunekoa |
---|---|---|
Eskola magistralak | 10.0 | 100 % |
Talde-lana | 65.0 | 30 % |
Ebaluazio-sistemak
Izena | Gutxieneko ponderazioa | Gehieneko ponderazioa |
---|---|---|
Banakako eta/edo taldeko lana, entsegua | 25.0 % | 50.0 % |
Talde-lanak (arazoak konpontzea, proiektuak diseinatzea) | 50.0 % | 75.0 % |
Irakasgaia ikastean lortuko diren emaitzak
Identificar los problemas típicos de deep learning y las formas de resolverlos.Aprender los principales paradigmas de redes neuronales y sus características principales.
Formular e implementar soluciones de deep learning para problemas reales usando herramientas de código abierto basados en Python.
Reconocer los modelos de redes neuronales apropiados para diferentes problemas.
Irakasgai-zerrenda
Tema 1 ¿ Fundamentos teóricos del deep learning.Tema 2 ¿ Perceptron multi-capa y el proceso de aprendizaje
Tema 3 ¿ Entrenando las redes neuronales
Tema 4 - Introducción a las arquitecturas modernas de redes neuronales profundas
En el aspecto práctico se hará uso de librerías modernas de deep learning como Pytorch o Tensorflow para la creación de aplicaciones.
Bibliografia
Nahitaez erabili beharreko materiala
Deep Learning. Ian Goodfellow and Yoshua Bengio and Aaron Courville. 2016. https://www.deeplearningbook.org/Dive into Deep Learning. Aston Zhang and Zachary C. Lipton and Mu Li and Alexander J. Smola. 2020. http://d2l.ai/
Neural networks for pattern recognition. Christopher M. Bishop.
Gehiago sakontzeko bibliografia
Machine learning. A probabilistic perspective. Kevin P. MurphyPattern recognition and machine learning. Christopher M. Bishop.
Bayesian Netwoks and Decision Graphs. Finn V. Jensen. Springer-Verlag. 2001.
The synaptic organization of the brain. Gordon M. Shepherd. Firth Edition
Introduction to the theory of neural computation. Hertz, J., Krogh, A., Palmer, R. G. Addison-Wesley, 1991
30 years of adaptive neural networks: Perceptron, Madaline, and backpropagation., Widrow, B., Lehr, M.A., Proceedings of IEEE, 78(9), 1415-1442, 1990.
Learning with Kernels, Scholkopf and Smola, 2002
The Elements of Statistical Learning,, Hastie, Friedman, and Tibshirani, 2001
The nature of statistical learning theory, Vapnik, V
Aldizkariak
Proceedings of NeurIPS: https://nips.cc/Proceedings of ICLR: https://iclr.cc/
IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)
IEEE Transactions on Neural Networks
Estekak
NYU Deep Learning: https://nyudatascience.medium.com/yann-lecuns-deep-learning-course-at-cds-is-now-fully-online-accessible-to-all-787ddc8bf0afBerkeley Deep Learning: https://t.co/0PaBOJElo9
Stanford Convolutional Neural Networks for Visual Recognition: http://cs231n.stanford.edu/
Stanford Natural Language Processing with Deep Learning: http://web.stanford.edu/class/cs224n/
NN software
Pytorch: https://pytorch.org/
Tensorflow: https://www.tensorflow.org/
scikit-learn: https://scikit-learn.org/stable/