Guia docente
DATOS IDENTIFICATIVOS 2024_25
Asignatura FUNDAMENTOS DE APRENDIZAJE PROFUNDO Código 01747015
Enseñanza
1747 - Máster Universitario de Investigación en Ciberseguridad
Descriptores Cr.totales Tipo Curso Semestre
3 Optativa Primer Primero
Idioma
Ingles
Prerrequisitos
Departamento ING.ELECTR.DE SIST. Y AUTOMATI
Responsable
FIDALGO FERNANDEZ , EDUARDO
Correo-e efidf@unileon.es
vgonc@unileon.es
Profesores/as
GONZÁLEZ CASTRO , VICTOR
FIDALGO FERNANDEZ , EDUARDO
Web http://agora.unileon.es
Descripción general En este curso se estudiará Aprendizaje Profundo (del inglés, Deep Learning) desde cero y cómo podría aplicarse al campo de la ciberseguridad. Durante el curso, se explicará dónde se encuentra el aprendizaje profundo dentro del aprendizaje automático y la inteligencia artificial, las redes neuronales, sus partes y funcionamiento y algunas arquitecturas de redes neuronales. Finalmente, en las sesiones de laboratorio se consolidarán los conceptos vistos en la teoría utilizando el lenguaje de programación Python.
Tribunales de Revisión
Tribunal titular
Cargo Departamento Profesor
Presidente ING.ELECTR.DE SIST. Y AUTOMATI FUERTES MARTINEZ , JUAN JOSE
Secretario ING.ELECTR.DE SIST. Y AUTOMATI BLAZQUEZ QUINTANA , LUIS FELIPE
Vocal GARCIA ORDAS , MARIA TERESA
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
  A18801 1747CE17 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
  B5729 1747CG1 Elaborar y defender argumentos y resolver problemas dentro del área de seguridad informática y de las comunicaciones./ Developing and defending arguments and resolving problems in the field of computer and communications security.
  B5730 1747CG2 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.
  B5731 1747CG3 Emitir juicios sobre temas relevantes de índole social, científica o ética desde la perspectiva de la ciberseguridad./ Judging relevant subjects of social, scientific, or ethical nature from a cybersecurity perspective.
  B5732 1747CG4 Transmitir soluciones al entorno industrial y empresarial en el campo de la ciberseguridad./ Convey solutions to the industrial and corporate environment in the field of cybersecurity.
  B5740 1747CT7 Aprender de forma autónoma./Self-learning ability.
Tipo C Código Competencias Básicas
  C2 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
  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.
  C5 Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación

Resultados de aprendizaje
Resultados Competencias
Conocimiento del método científico. A18801
 B5729
B5730
B5732
B5740
 C5
Capacidad de búsqueda de información y referencias relevantes y redacción de artículos científicos. B5729
B5730
B5731
B5732
B5740
 C2
C4
C5
Preparación de aportaciones para congresos científicos. A18801
 B5732
 C5

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
 
Estudio de caso 0 14 14
Presentaciones/exposiciones 2 3 5
 
Sesión Magistral 14 14 28
 
 
(*)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.
Estudio de caso Como Proyecto del Curso, el estudiante elegirá un tema de una lista propuesta, o el estudiante sugerirá otro que deberá ser aprobado por el instructor. El tema debe estar relacionado con un trabajo que involucre ciberseguridad y Deep Learning (no Machine Learning). El estudiante preparará una propuesta de investigación y reproducirá una solución de un trabajo de investigación seleccionado.
Presentaciones/exposiciones Una vez entregada tanto la parte teórica como la práctica del Proyecto del Curso siguiendo los requisitos indicados y utilizando las tareas correspondientes en Agora, todos los alumnos prepararán una presentación que realizarán frente a todos los alumnos y el profesor
Sesión Magistral Sesiones teóricas en el aula mediante diapositivas que quedarán grabadas en vídeos. Las presentaciones o documentos correspondientes a los materiales de cada lección se dejarán en Ágora. Algunas lecciones pueden ir acompañadas de videos relacionados con los conceptos presentados, algunos grabados por los docentes y otros provenientes de recursos de internet que los docentes consideren apropiados. Los cursos de plataformas online, como DataCamp o similares, podrían utilizarse para reforzar algunas de las lecciones impartidas, siendo algunos cursos opcionales y otros obligatorios.

Tutorías
 
Practicas a través de TIC en aulas informáticas
Sesión Magistral
Estudio de caso
Presentaciones/exposiciones
descripción
Los alumnos pueden solicitar atención personalizada a través de correo electrónico en cualquier momento del curso. Dicha atención se brindará vía videoconferencia para los alumnos de la modalidad remota, en caso de ser necesario.

Evaluación
  descripción calificación
Practicas a través de TIC en aulas informáticas Cada laboratorio contendrá entregables que serán evaluados, y se establecerá una calificación para cada sesión de laboratorio. 30
Sesión Magistral Se realizará un pequeño cuestionario para evaluar algunos conceptos dados en las conferencias (10). Después del cuestionario, los alumnos realizarán la segunda parte de la evaluación, que será un examen escrito (20) 30
Estudio de caso Se evaluarán varias partes del Proyecto de Curso, la propuesta de investigación y la prueba de concepto. 20
Presentaciones/exposiciones Se evaluarán varias partes del Proyecto de Curso que se presentará a los estudiantes, incluida la presentación final que se le dará al instructor. 10
Otros Se podrían ofrecer algunas actividades voluntarias a los estudiantes. Estas serán evaluadas para obtener puntos adicionales a la nota de la asignatura. 10
 
Otros comentarios y segunda convocatoria
  • Las entregas retrasadas tendrán una penalización en la nota.
  • Para aprobar la asignatura en evaluación continua (es decir, la primera convocatoria) será necesario obtener al menos 5 puntos sobre 10.
  • Los alumnos pueden compensar notas entre partes, siempre que la nota mínima de una parte sea 3 sobre 10.
  • Los alumnos que no aprueben la asignatura en evaluación continua (es decir, la primera convocatoria) podrán presentar las prácticas que no hayan presentado o que no hayan superado en la primera convocatoria.
  • Para aprobar la asignatura en segunda convocatoria, se aplicarán las mismas instrucciones que en primera convocatoria.

Para el estudiantado de la modalidad A DISTANCIA del máster:

En referencia a los programas de proctoring utilizados (SMOWL) durante los exámenes de las convocatorias oficiales de la modalidad a distancia, la navegación en páginas externas a la del propio examen, salvo indicación expresa, puede suponer el suspenso en dicha actividad, a discreción del profesorado.
En caso de surgir problemas en la identificación del alumnado, el profesorado puede requerir actividades de evaluación adicionales mediante videoconferencia. Las condiciones de estas pruebas pueden verse condicionadas por la conectividad, iluminación, .... siendo responsablidad del estudiantado seguir las indicaciones recibidas al respecto, así como proteger su privacidad, realizando el examen en un entorno apropiado (aislado, con buena conexión, iluminación, ....). Las recomendaciones para el estudiantado en el uso de SMOWL pueden encontrarse en el siguiente enlace: http://bit.ly/3ZrtxVs

Fuentes de información
Acceso a la Lista de lecturas de la asignatura

Básica
  • Aston Zhang, Zachary C. Lipton, Mu Li and Alexander J. Smola., Dive into Deep Learning, Cambridge Univerity Press, 2023
  • Cunha. (2022). Deep learning with Python (2a ed) - François Chollet - Manning, outubro 2021, 504 pp. Interações: Sociedade e as novas modernidades, 42, 113-115. https://doi.org/10.31211/interacoes.n42.2022.r1
  • Geron. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems  (1st ed.). O’Reilly.
  • Bird. (2009). Natural language processing with Python (Klein & E. Loper, Eds.; 1st edition). O’Reilly.
Complementaria
  • Artículos de investigación cuyas referencias serán compartidas y actualizadas en cada curso. 
  • Lewis Tunstall. (s. f.). Natural Language Processing with Transformers. https://www.oreilly.com/library/view/natural-language-processing/9781098136789/
  • Howard. (2020). Deep learning for Coders with fastai and PyTorch?: AI applications without a PhD  (Gugger, Ed.). O’Reilly Media Inc.
  • Huang, Hussain, A., Wang, Q.-F., & Zhang, R. (2019). Deep Learning for Natural Language Processing. En Deep Learning: Fundamentals, Theory and Applications (Vol. 2, pp. 111-138). Springer International Publishing AG. https://doi.org/10.1007/978-3-030-06073-2_5
  • Goodfellow. (2016). Deep learning  (Bengio & A. Courville, Eds.). The MIT Press.

Recomendaciones


 
Otros comentarios
Se recomienda conocimientos básicos de Python u otros lenguajes de programación.