Guía docente de Aprendizaje Profundo Aplicado al Análisis Social (MD6/56/1/8)

1. Introducción al aprendizaje profundo
2. Bibliotecas de programación de redes neuronales
3. Clasificación y regresión
4. Análisis de imágenes
5. Predicción de series temporales
6. Modelos de lenguaje y agentes conversacionales
7. Aprendizaje sobre grafos
8. Aplicaciones en ciencias sociales

Se recomienda haber superado Programación avanzada en Python aplicada al análisis social.

• Comprender los principios básicos del aprendizaje profundo, los modelos de computación involucrados y las técnicas de optimización para su entrenamiento.
• Saber utilizar las bibliotecas de programación especializadas para la creación, entrenamiento y aplicación de redes neuronales.
• Resolver problemas de clasificación y regresión estándar con redes arquitecturas de redes neuronales simples.
• Desarrollar soluciones de aprendizaje profundo para tratamiento de imágenes, series temporales y grafos.
• Conocer los fundamentos de los modelos de lenguaje y de los agentes conversacionales modernos.
• Identificar las áreas de aplicación del aprendizaje profundo en Ciencia de Datos Sociales, las oportunidades y desafíos que estas técnicas ofrecen y las posibles tendencias futuras

1. Introducción al aprendizaje profundo

• Aprendizaje profundo en Ciencias Sociales: aplicaciones e implicaciones
• Fundamentos de redes neuronales
• Algoritmos de retropropagación y gradiente descendente
• Plataformas de aprendizaje profundo

2. Clasificación y regresión con redes neuronales básicas

• Modelización de problemas de clasificación y regresión
• Preparación de datos
• Entrenamiento, validación y test de modelos
• Ajuste de hiperparámetros
• Interpretabilidad de modelos

3. Modelos avanzados de aprendizaje profundo

• Redes de convolución para procesamiento de imágenes
• Predicción de series temporales con redes recurrentes
• Redes neuronales sobre grafos
• Modelos de lenguaje y agentes conversacionales
• Inteligencia Artificial generativa

1. Programación de redes neuronales: Bibliotecas para diseño y entrenamiento de redes neuronales. Ejecución en sistemas dotados de GPU. Monitorización del proceso de aprendizaje.
2. Clasificación y regresión con redes neuronales de propagación hacia adelante: Resolución de problemas con datos tabulares. Análisis de resultados y métricas de error.
3. Clasificación y regresión con redes neuronales avanzadas: Resolución de problemas con datos de imágenes y textos. Análisis de resultados y métricas de error.

• F. Berzal. Redes Neuronales & Deep Learning I, II. 2018.
• F. Chollet. Deep Learning with Python, 2nd Edition. Manning, 2021.

• J. Casas Roma, T. Lozano Bagén, A. Bosch Rué. Deep Learning: Principios y Fundamentos. UOC, 2020.
• S. Prince. Understanding Deep Learning. MIT Press, 2023.
• I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. MIT Press, 2016.
• E. Stevens, L. Antiga, T. Viehmann. Deep Learning with PyTorch. Manning, 2020.

• DeepLearningAI: https://www.deeplearning.ai 
• FastAI: https://course.fast.ai
• Towards Data Science: https://towardsdatascience.com

Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca se establece que la convocatoria ordinaria estará basada preferentemente en la evaluación continua del estudiante, excepto para quienes se le haya reconocido el derecho a la evaluación única final.

La calificación final de cada alumno/a se obtendrá mediante la evaluación de:

1. Examen de contenidos teórico-prácticos (50%) [SE3]
2. Elaboración y presentación de un trabajo de ampliación (10%) [SE5, SE6]
3. Resolución y documentación de ejercicios de prácticas (30%) [SE9]
4. Resolución de problemas en evaluación continua (10%) [SE1]

Para aprobar la asignatura, será necesario obtener una nota igual o superior al 4 (sobre 10) en cada uno de los apartados 1, 2 y 3 (por separado).

CRITERIOS DE EVALUACIÓN:

Se evaluará el grado de alcance de los objetivos de aprendizaje de la asignatura.

Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca se establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación mediante la realización de una prueba escrita con carácter presencial.

La calificación final de cada alumno/a se obtendrá mediante la evaluación de:

1. Examen de contenidos teóricos (50%)
2. Examen de contenidos prácticos (50%)

Para aprobar la asignatura, será necesario obtener una nota igual o superior al 4 (sobre 10) en cada uno de los apartados 1 y 2 (por separado).

CRITERIOS DE EVALUACIÓN:

Se evaluará el grado de alcance de los objetivos de aprendizaje de la asignatura.

Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca se establece que podrán acogerse a la evaluación única final, el estudiantado que no pueda cumplir con el método de evaluación continua por causas justificadas.

Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura o en las dos semanas siguientes a su matriculación si ésta se ha producido con posterioridad al inicio de las clases o por causa sobrevenidas. Lo solicitará, a través del procedimiento electrónico, a la Coordinación del Máster, quien dará traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.

La calificación final de cada alumno/a se obtendrá mediante la evaluación de:

1. Examen de contenidos teóricos (50%)
2. Examen de contenidos prácticos (50%)

Para aprobar la asignatura, será necesario obtener una nota igual o superior al 4 (sobre 10) en cada uno de los apartados 1 y 2 (por separado).

CRITERIOS DE EVALUACIÓN:

Se evaluará el grado de alcance de los objetivos de aprendizaje de la asignatura.

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

• Python, Visual Studio Code
• Tensorflow, PyTorch