Guia docente
DATOS IDENTIFICATIVOS							2021_22
Asignatura	FUNDAMENTOS DE APRENDIZAJE PROFUNDO					Código	01746015
Enseñanza	1746 - Máster Universitario de Investigación en Ciberseguridad (OL)
Descriptores	Cr.totales	Tipo	Curso	Semestre
	3	Optativa	Primer	Primero
Idioma	Ingles
Prerrequisitos
Departamento	ING.ELECTR.DE SIST. Y AUTOMATI
Responsable	ALEGRE GUTIÉRREZ , ENRIQUE				Correo-e	ealeg@unileon.es vgonc@unileon.es
Profesores/as	ALEGRE GUTIÉRREZ , ENRIQUE GONZÁLEZ CASTRO , VICTOR
Web	http://
Descripción general
Tribunales de Revisión	Tribunal titular Cargo Departamento Profesor Presidente ING.ELECTR.DE SIST. Y AUTOMATI BLAZQUEZ QUINTANA , LUIS FELIPE Secretario ING.ELECTR.DE SIST. Y AUTOMATI ALAIZ MORETON , HECTOR Vocal ING.ELECTR.DE SIST. Y AUTOMATI FUERTES MARTINEZ , JUAN JOSE Tribunal suplente Cargo Departamento Profesor Presidente ING.ELECTR.DE SIST. Y AUTOMATI PRADA MEDRANO , MIGUEL ANGEL Secretario ING.ELECTR.DE SIST. Y AUTOMATI FOCES MORAN , JOSE MARIA Vocal ING.ELECTR.DE SIST. Y AUTOMATI GARCIA RODRIGUEZ , ISAIAS

Competencias

Tipo A	Código	Competencias Específicas
	A18826	1746CE17 Conocer el método científico. Capacidad de búsqueda de información y referencias relevantes y redacción de artículos científicos. Organizar y preparar aportaciones para congresos científicos. Knowing the scientific method. Aptitude for gathering of information and relevant references and writing of scientific papers. Organization and presentation of contributions to scientific conferences.
Tipo B	Código	Competencias Generales y Transversales
	B5742	1746CG2 Reunir e interpretar datos relevantes dentro del área de seguridad informática y de las comunicaciones/Collecting and understanding relevant data in the field of computer and communications security.
	B5749	1746CT4 Pensamiento crítico: capacidad de analizar, sintetizar y extraer conclusiones de un artículo (ya sea de opinión o científico)./ Critical thinking: the ability to analyze, synthesize, and draw conclusions from an article (either opinion or scientific).
	B5751	1746CT6 Gestión: capacidad de gestionar tiempo y recursos, desarrollar planes, priorizar actividades identificando las críticas, establecer plazos y cumplirlos./Management: ability to manage time and resources, developing plans, prioritize activities to identify critics, establish deadlines, and meet themselves-.
	B5752	1746CT7 Aprender de forma autónoma./Self-learning ability.
Tipo C	Código	Competencias Básicas
	C1	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.
	C3	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.
	C4	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.

Resultados de aprendizaje

Resultados	Competencias
Conocimiento del método científico.	A18826	B5742 B5752	C1
Capacidad de búsqueda de información y referencias relevantes y redacción de artículos científicos.		B5742 B5749 B5752	C4
Preparación de aportaciones para congresos científicos.	A18826	B5749 B5751	C3

Contenidos

Bloque	Tema
Bloque I: TEORÍA	Tema 1. INTRODUCCIÓN AL APRENDIZAJE PROFUNDO Qué es el aprendizaje profundo. Cuándo utilizarlo. Ventajas y desventajas. Tema 2. REDES NEURONALES Conceptos básicos. Arquitecturas. Redes neuronales monocapa. Redes neuronales profundas Tema 3. APRENDIZAJE PROFUNDO PARA PROCESAMIENTO DE IMÁGENES Redes neuronales convolucionales. Creación y ajuste de redes neuronales convolucionales. Curvas de aprendizaje. Interpretación de modelos. Tema 4. APRENDIZAJE MÁQUINA Y PROFUNDO PARA PROCESAMIENTO DE LENGUAJE NATURAL Conceptos de NLP. Métodos clásicos. Preprocesamiento de datos. Word Embeddings. Clasificación de texto. Tema 5. OTROS MODELOS DE APRENDIZAJE PROFUNDO Categorías de arquitecturas para deep learning. Redes Neuronales Recurrentes. Redes preentrenadas no supervisadas.
Bloque II: PRÁCTICAS	Las sesiones prácticas se realizarán utilizando Python 3.X y un framework de Deep Learning, como Keras o PyTorch. En el laboratorio se dispondrá de un entorno de estas características, aunque se recomienda que el alumno lo instale en su propia máquina. Habrá al menos una sesión práctica relacionada con cada uno de los Temas vistos en teoría, donde el alumno resolverá problemas en los que serán aplicables los conceptos vistos en la teoría.

Planificación

Metodologías  ::  Pruebas
	Horas en clase	Horas fuera de clase	Horas totales
Practicas a través de TIC en aulas informáticas	14	14	28
Sesión Magistral	14	28	42
Pruebas mixtas	2	3	5
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías

Metodologías   ::  

	descripción
Practicas a través de TIC en aulas informáticas	Prácticas guiadas en el laboratorio programando en Python y aplicando los conceptos vistos en la sesión magistral.
Sesión Magistral	Sesiones teóricas en el aula utilizando diapositivas. También se podrán dejar presentaciones o documentos correspondientes a los materiales de cada lección en Agora y se pondrá un foro de dudas. Las lecciones podrán ir acompañadas de vídeos relacionados con los conceptos presentados, algunos grabados por los profesores y otros procedentes de recursos de internet que los profesores consideren especialmente apropiados. Algunas lecciones irán acompañadas de un cuestionario con preguntas, que podrán ser tanto teóricas como prácticas, cuyas entregas serán evaluables. Se podrán utilizar cursos de la plataforma Datacamp o cursos similares para reforzar algunas lecciones impartidas, siendo algunos cursos opcionales y otros obligatorios.

Tutorías

Sesión Magistral Practicas a través de TIC en aulas informáticas

descripción Las consultas al profesor podrán realizarse on-line o de forma presencial. Las consultas on-line se realizarán mediante correo electrónico, utilizando un foro general de dudas o bien, los foros dispuestos para cada actividad específica. Para las tutorías presenciales se solicitará cita previa mediante el foro dispuesto para ello en el Agora.

Evaluación

	descripción	calificación
Sesión Magistral	El examen final consistirá en cuestiones sobre los conceptos teóricos vistos en las clases y en los laboratorios.	40
Practicas a través de TIC en aulas informáticas	Se evaluarán las entregas realizadas. La evaluación se puede basar en la entrega realizada por el alumno o bien en cuestionarios específicos.	40
Otros	Se plantearán actividades complementarias al alumno que serán evaluables en base a la entrega realizada por los alumnos.	20
Otros comentarios y segunda convocatoria
<ul><li>Las entregas retrasadas sufrirán una penalización en la nota.</li><li>Para superar la asignatura será necesario superar al menos el 50% de la nota en cada uno de los apartados evaluables.</li><li>El alumnado que no supere la asignatura en evaluación continua podrá entregar lo que le falte en el periodo correspondiente a la primera convocatoria ordinaria, en el plazo indicado por el profesor.</li><li>Para superar la asignatura en la segunda convocatoria ordinaria, el alumnado tendrá que entregar las prácticas no superadas, así como realizar un examen final sobre los conceptos teóricos.</li></ul>

Fuentes de información

Acceso a la Lista de lecturas de la asignatura

Básica
	Francois Chollet. Deep Learning with Python. Manning Publications. 2018 Aurelien Geron. Hands-On Machine Learning with Scikit-learn-Learn, Keras and TensorFlow: Concepts, Tools and Techniques to Build Intelligent Systems. O'Reilly Media. 2019. Seth Weidman. Deep Learning from Scratch: Building with Python from First Principles. O'Reilly Media. 2019. Jordi Torres. Python Deep Learning: Introducción práctica con Keras y TensorFlow 2. Marcombo. 2020.
Complementaria

Recomendaciones