Syllabus query

Academic Year/course: 2021/22

615 - Master's in Robotics, Graphics and Computer Vision/ Robótica, Gráficos y Visión por Computador

69158 - Applications of Deep Learning

Syllabus Information

Academic Year:
69158 - Applications of Deep Learning
Faculty / School:
110 - Escuela de Ingeniería y Arquitectura
615 - Master's in Robotics, Graphics and Computer Vision/ Robótica, Gráficos y Visión por Computador
Second semester
Subject Type:

1. General information

1.1. Aims of the course

The objective of the course is to study the main techniques and applications of deep machine learning in the context of robotics, graphics and computer vision, and to be able to apply them in real examples.

These approaches and objectives are aligned with some of the Sustainable Development Goals, SDG, of the 2030 Agenda ( and certain specific goals, in such a way that the acquisition of the Learning outcomes of the subject provides training and competence to the student to contribute to a certain extent to their achievement:

  • Goal 8: Promote sustained, inclusive and sustainable economic growth, full and productive employment and decent work for all
    • Target 8.3 Promote development-oriented policies that support productive activities, the creation of decent jobs, entrepreneurship, creativity and innovation, and encourage the formalization and growth of micro, small and medium-sized enterprises, including through access to financial services
  • Goal 9: Build resilient infrastructure, promote inclusive and sustainable industrialization, and foster innovation
    • Target 9.4 By 2030, modernize infrastructure and reconvert industries so that they are sustainable, using resources more efficiently and promoting the adoption of clean and environmentally sound industrial technologies and processes, and ensuring that all countries take measures in accordance with their respective capabilities
  • Goal 16: Promote peaceful and inclusive societies for sustainable development, facilitate access to justice for all, and create effective, accountable and inclusive institutions at all levels
    • Target 16.7 Ensure the adoption at all levels of inclusive, participatory and representative decisions that respond to the needs

1.2. Context and importance of this course in the degree

Machine learning and deep learning systems are transversal tools in many applications, including applications in robotics, graphics and computer vision. The contents of this course extend the contents in the "Machine learning" basic course and complement and deepen the deep learning tools that are seen in other subjects of the degree.

1.3. Recommendations to take this course

Having passed the course of Machine Learning.

2. Learning goals

2.1. Competences

Basic and General Competences:

  • CB7 - That students know how to apply the acquired knowledge and ability to solve problems in new or little-known settings within broader (or multidisciplinary) contexts related to their area of ​​study.
  • CB8 - That students are able to integrate knowledge and face the complexity of formulating judgments based on information that, being incomplete or limited, includes reflections on the social and ethical responsibilities linked to the application of their knowledge and judgments.
  • CB9 - That students know how to communicate their conclusions and the latest knowledge and reasons that support them to specialized and non-specialized audiences in a clear and unambiguous way.
  • CB10 - That students possess the learning skills that allow them to continue studying in a way that will have to be largely self-directed or autonomous.
  • CG01 – Acquisition of advanced and demonstrated knowledge, in a context of scientific and technological research or highly specialized, a detailed and well-founded understanding of the theoretical and practical aspects and of the working methodology in the fields of Robotics, Graphics and / or Computer Vision, allowing them to be innovative in a context of research, development and innovation.
  • CG03 - Ability to evaluate and select the appropriate scientific theory and the precise methodology of their fields of study to formulate judgments based on incomplete or limited information, including, when necessary and pertinent, considerations on social or ethical responsibility linked to the solution that is proposed in each case.
  • CG08 – To possess the aptitudes, skills and method necessary to carry out multidisciplinary research and / or development work in the fields of Robotics, Graphics and / or Computer Vision.
  • CG10 - Ability to understand, relate to the state of the art and critically evaluate scientific publications in the fields of Robotics, Graphics and / or Computer Vision.


  • CE01 - Ability to apply mathematical and artificial intelligence methods to model, design and develop Robotics, Graphics and / or Computer Vision systems and applications.
  • CE07 - Ability to develop and evaluate software for Robotics, Graphics and Computer Vision problems that can use general and / or specific purpose architectures.
  • CE08 - Ability to conceive, design and develop Machine Learning systems, and apply them to Robotics, Graphics and / or Computer Vision problems.
  • CE09 - Ability to autonomously carry out a work of initiation to research and / or development in the field of Robotics, Graphics, or Computer Vision, in which the skills acquired in the degree are synthesized and integrated.


2.2. Learning goals

The student must be able to:

  • Know and apply advanced techniques of deep and reinforcement learning.
  • Apply machine learning techniques to extract knowledge in environments that handle large amounts of data.
  • Apply machine learning techniques to extract knowledge in environments with small amounts of data, interactive or sequential data.
  • Apply the knowledge acquired to specific problems in application domains related to Robotics, Computer Vision and Computer Graphics
  • Understand the different types of Machine Learning systems most appropriate for each application.
  • Identify the machine learning problems under investigation for which there are no known solutions within the field of Robotics, Computer Vision and Computer Graphics.
  • Synthetically present the proposed technical and / or scientific results.
  • Evaluate relevant bibliographic sources.

2.3. Importance of learning goals

Deep machine learning has become a fundamental piece of artificial intelligence systems, for the most diverse applications, from engineering, business, information systems, science and even the arts. They have allowed great advances in fields such as image and audio processing, the development of virtual assistants, autonomous driving systems or the automatic creation of digital cinema effects. Knowledge of these algorithms gives companies a significant competitive advantage.

3. Assessment (1st and 2nd call)

3.1. Assessment tasks (description of tasks, marking system and assessment criteria)

P1[30%]- written test and laboratory. Open test on practical cases proposed by the teachers or the project developed by the student. Evaluation of the practice during the sessions.

P2 [60%] - Directed work. Works, exercises, and reports of laboratory practices, in which the knowledge and skills acquired in the subject will be put into practice. 

P3 [10%] - Presentations and debates orally. Oral presentations of the work, exercises and practices will be valued.

The final grade will be calculated according to the following formula: 0.3 * P1 + 0.6 * P2 + 0.1 * P3.



4. Methodology, learning tasks, syllabus and resources

4.1. Methodological overview

The teaching-learning process will be done through: lectures, practice sessions(examples and case studies with active participation of students), laboratory sessions (in small groups, with simulation tools or real systems) and the realization of practical work and study supervised by the professors.

4.2. Learning tasks

The course consists of 3 ECTS credits that correspond with a dedication of the student estimated 75 hours distributed in the following way:

  • Lectures, practice and lab sessions: 22 h
  • Assignments of practical application or research work: 25 h
  • Personalized tutor-student tutoring: 5 h
  • Study: 20 h
  • Assessment and evaluation activities: 3 h


4.3. Syllabus

  1. Advanced deep learning techniques

    1. Deep reinforcement learning

    2. Bayesian deep learning

    3. Generative models.


  1. Applications:

    1. Deep machine learning for robotics.

    2. Deep machine learning for computer vision.

    3. Deep machine learning for computer graphics.


4.4. Course planning and calendar

The calendar of the subject will be defined by the center in the academic calendar of the corresponding course.

The detailed calendar of activities will be available in Moodle, and will be presented on the first day of class.

4.5. Bibliography and recommended resources

  • Machine Learning: a Probabilistic Perspective, by Kevin Patrick
    Murphy, MIT Press, 2012
  • Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville,
    MIT Press, 2016
  • Mathematics for Machine Learning. Marc Peter Deisenroth, A. Aldo
    Faisal, and Cheng Soon Ong. Published by Cambridge University Press
  • Reinforcement Learning: An Introduction, Richard S. Sutton and
    Andrew G. Barto, Second Edition, MIT Press, 2018

Biblioteca Unizar:

Curso Académico: 2021/22

615 - Máster Universitario en Robótica, Gráficos y Visión por Computador/Robotics, Graphics and Computer Vision

69158 - Applications of Deep Learning

Información del Plan Docente

Año académico:
69158 - Applications of Deep Learning
Centro académico:
110 - Escuela de Ingeniería y Arquitectura
615 - Máster Universitario en Robótica, Gráficos y Visión por Computador/Robotics, Graphics and Computer Vision
Periodo de impartición:
Segundo semestre
Clase de asignatura:

1. Información Básica

1.1. Objetivos de la asignatura

El objetivo de la asignatura es estudiar las principales técnicas y aplicaciones del aprendizaje automático profundo en el contexto de la robótica, gráficos y visión por computador, y ser capaces de aplicarlas en ejemplos reales.

Estos planteamientos y objetivos están alineados con algunos de los Objetivos de Desarrollo Sostenible, ODS, de la Agenda 2030 ( y determinadas metas concretas, de tal manera que la adquisición de los resultados de aprendizaje de la asignatura proporciona capacitación y competencia al estudiante para contribuir en cierta medida a su logro:

  • Objetivo 8: Promover el crecimiento económico sostenido, inclusivo y sostenible, el empleo pleno y productivo y el trabajo decente para todo
    • Meta 8.3 Promover políticas orientadas al desarrollo que apoyen las actividades productivas, la creación de puestos de trabajo decentes, el emprendimiento, la creatividad y la innovación, y fomentar la formalización y el crecimiento de las microempresas y las pequeñas y medianas empresas, incluso mediante el acceso a servicios financieros
  • Objetivo 9: Construir infraestructuras resilientes, promover la industrialización inclusiva y sostenible y fomentar la innovación
    • Meta 9.4 De aquí a 2030, modernizar la infraestructura y reconvertir las industrias para que sean sostenibles, utilizando los recursos con mayor eficacia y promoviendo la adopción de tecnologías y procesos industriales limpios y ambientalmente racionales, y logrando que todos los países tomen medidas de acuerdo con sus capacidades respectivas
  • Objetivo 16: Promover sociedades pacíficas e inclusivas para el desarrollo sostenible, facilitar el acceso a la justicia para todos y crear instituciones eficaces, responsables e inclusivas a todos los niveles
    • Meta 16.7 Garantizar la adopción en todos los niveles de decisiones inclusivas, participativas y representativas que respondan a las necesidades

1.2. Contexto y sentido de la asignatura en la titulación

El aprendizaje automático y los sistemas de aprendizaje profundo son una herramienta transversal en numerosas aplicaciones, incluídas aplicaciones en robótica, gráficos y visión por computador. Los contenidos de esta asignatura extienden los contenidos en la asignatura básica “Machine learning” y complementan y profundizan en las herramientas de aprendizaje profundo que se ven otras asignaturas de la titulación.

1.3. Recomendaciones para cursar la asignatura

Haber superado la asignatura obligatoria de Machine Learning.

2. Competencias y resultados de aprendizaje

2.1. Competencias

Básicas y Generales

  • CB7 - 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.
  • CB8 - 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.
  • CB9 - 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
  • CB10 - 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.
  • CG01 - Haber adquirido conocimientos avanzados y demostrado, en un contexto de investigación científica y tecnológica o altamente especializado, una comprensión detallada y fundamentada de los aspectos teóricos y prácticos y de la metodología de trabajo en los ámbitos de la Robótica, Gráficos y/o Visión por Computador,  que les permitan ser innovadores en un contexto de investigación, desarrollo e innovación.
  • CG03 - Capacidad para evaluar y seleccionar la teoría científica adecuada y la metodología precisa de sus campos de estudio para formular juicios a partir de información incompleta o limitada incluyendo, cuando sea preciso y pertinente, una reflexión sobre la responsabilidad social o ética ligada a la solución que se proponga en cada caso.
  • CG08 - Poseer las aptitudes, destrezas y método necesarios para la realización de un trabajo de investigación y/o desarrollo de tipo multidisciplinar en los ámbitos de la Robótica, Gráficos y/o Visión por Computador.
  • CG10 - Capacidad para comprender, relacionar con el estado del arte y evaluar críticamente publicaciones científicas en los ámbitos de la Robótica, Gráficos y/o Visión por Computador.


  • CE01 - Capacidad para aplicar métodos matemáticos y de inteligencia artificial para modelar, diseñar y desarrollar sistemas y aplicaciones de Robótica, Gráficos y Visión por Computador.
  • CE07 - Capacidad para desarrollar y evaluar software para problemas de Robótica, Gráficos y Visión por Computador, que pueda utilizar arquitecturas de propósito general y/o específico
  • CE08 - Capacidad para concebir, diseñar y desarrollar sistemas de Aprendizaje Automático, y aplicarlos a problemas de Robótica, Gráficos y Visión por Computador.
  • CE09 - Capacidad para desarrollar de forma autónoma un trabajo de iniciación a la investigación y/o desarrollo en el ámbito de la robótica, gráficos, o visión por computador, en el que se sinteticen e integren las competencias adquiridas en la titulación.



2.2. Resultados de aprendizaje

El alumno deberá ser capaz de:

  • Conocer y aplicar técnicas avanzadas de aprendizaje profundo y por refuerzo.
  • Aplicar técnicas de aprendizaje automático para la extracción de conocimiento en entornos que manejen grandes cantidades de datos.
  • Aplicar técnicas de aprendizaje automático para la extracción de conocimiento en entornos de pequeñas cantidades de datos, datos interactivos o secuenciales.
  • Aplicar los conocimientos adquiridos a problemas concretos de dominios de aplicación relacionados con la Robótica, la Visión por Computador y los Gráficos por Computador
  • Comprender los diferentes tipos de sistemas de Aprendizaje Automático más apropiados para cada aplicación.
  • Identificar los problemas de aprendizaje automático objeto de investigación para los cuales no existen soluciones conocidas dentro del ámbito de la Robótica, la Visión por Computador y los Gráficos por Computador.
  • Presentar de forma sintética los resultados técnicos y/o científicos propuestos.
  • Evaluar las fuentes bibliográficas relevantes.

2.3. Importancia de los resultados de aprendizaje

El aprendizaje automático profundo se ha convertido en una pieza fundamental de los sistemas de inteligencia artificial, para las más diversas aplicaciones, desde la ingeniería, la empresa, los sistemas de información, las ciencias e incluso, las artes. Han permitido grandes avances en campos como el procesamiento de imágenes y audio, el desarrollo de asistentes virtuales, sistemas de conducción autónoma o la creación automática de efectos digitales cinematográficos. El conocimiento de estos algoritmos dota de una ventaja competitiva importante a las empresas.

3. Evaluación

3.1. Tipo de pruebas y su valor sobre la nota final y criterios de evaluación para cada prueba

P1 [30%] - Prueba escrita y de laboratorio. Una o varias pruebas sobre casos prácticos propuestos por los profesores o sobre el proyecto desarrollado por el alumno. Evaluación de la realización de prácticas durante las sesiones.

P2 [60%] -  Trabajos dirigidos. Trabajos,  ejercicios,  e informes de las prácticas de laboratorio, en los que se pondrá en práctica los conocimientos y habilidades adquiridos en la asignatura. 

P3 [10%] - Presentaciones y debates de forma oral. Se valorarán las presentaciones orales realizadas de los trabajos, ejercicios y las prácticas.

La nota final se calculará de acuerdo a la siguiente fórmula: 0.3*P1+0.6*P2+0.1*P3.

4. Metodología, actividades de aprendizaje, programa y recursos

4.1. Presentación metodológica general

El proceso de enseñanza-aprendizaje se llevará a cabo a través de: clases magistrales (exposición de contenidos), clases de problemas (ejemplos y casos prácticos con participación activa de los estudiantes), prácticas de laboratorio (en grupos reducidos, con herramientas de simulación o sistemas reales) y la realización de trabajo práctico y estudio tutelado por los profesores.

4.2. Actividades de aprendizaje

La asignatura consta de 3 créditos ECTS que corresponden con una dedicación del alumno estimada en 75 horas distribuidas del siguiente modo:

  • Clase magistral, Resolución de problemas y casos, Prácticas de laboratorio y Prácticas especiales: 22 h
  • Realización de trabajos de aplicación o investigación prácticos: 25 h
  • Tutela personalizada profesor-alumno: 5 h
  • Estudio de teoría: 20 h
  • Pruebas de evaluación: 3 h

4.3. Programa

  1. Técnicas avanzadas de aprendizaje profundo:

    1. Aprendizaje profundo por refuerzo

    2. Aprendizaje profundo bayesiano

    3. Modelos generativos.

  1. Aplicaciones:

    1. Aprendizaje automático profundo para robótica.

    2. Aprendizaje automático profundo para visión por computador.

    3. Aprendizaje automático profundo para gráficos por computador.

4.4. Planificación de las actividades de aprendizaje y calendario de fechas clave

El calendario de la asignatura estará definido por el centro en el calendario académico del curso correspondiente.

El calendario detallado de actividades estará disponible en Moodle, y se presentará el primer día de clase.

4.5. Bibliografía y recursos recomendados

  • Machine Learning: a Probabilistic Perspective, by Kevin Patrick
    Murphy, MIT Press, 2012
  • Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville,
    MIT Press, 2016
  • Mathematics for Machine Learning. Marc Peter Deisenroth, A. Aldo
    Faisal, and Cheng Soon Ong. Published by Cambridge University Press
  • Reinforcement Learning: An Introduction, Richard S. Sutton and
    Andrew G. Barto, Second Edition, MIT Press, 2018

Biblioteca Unizar: