Teaching Guides Query



Academic Year: 2023/24

623 - Master's Degree in Telecommunications Engineering

60973 - Electronic neural networks


Teaching Plan Information

Academic year:
2023/24
Subject:
60973 - Electronic neural networks
Faculty / School:
110 - Escuela de Ingeniería y Arquitectura
Degree:
623 - Master's Degree in Telecommunications Engineering
ECTS:
6.0
Year:
2
Semester:
Second semester
Subject type:
Optional
Module:
---

1. General information

ENN is an elective subject (limited places), whose objective is to train students in the fundamentals of neural networks and other intelligent techniques of machine learning, with a very practical orientation and emphasis on software and hardware implementation. This is a differential feature with respect to other subjects, with application in home automation, home appliances, internet of things, computer vision, etc.

The objective of ENN is to provide students with the knowledge and tools to incorporate intelligence into systems and devices. Taking into account the degrees that give access to the master's degree, no additional knowledge is required.

These approaches are aligned with the Sustainable Development Goals of the United Nations 2030 Agenda (https://www.un.org/sustainabledevelopment/es/), contributing to Objectives 8.2 (Goal 8) and 9.5 (Goal 9).

2. Learning results

  1. To apply artificial neural networks and other intelligent techniques to solve problems in new environments or with imprecise or ill-defined information.
  2. To know the basics of artificial neural networks and other related techniques.
  3. To be able to develop a project based on neural networks and other intelligent systems, dividing the problem into parts, selecting the most suitable technique in each case and simulating it on a computer.
  4. To be able to select the appropriate electronic implementation technology in each case: ASIC, FPGA, microcontroller, DSP or computer.

3. Syllabus

ENN covers the entire field of machine learning, from linear models to the latest deep learning and generative models such as chatGPT.

Theory program

Topic 1 Fundamentals of machine learning
Topic 2. Supervised learning
Topic 3. Unsupervised learning
Topic 4. Kernel (RBF, SVM) and temporal models
Topic 5. Deep learning and generative models
Topic 6.  Electronic implementation
Topic 7.  Digital realization
Topic 8. Application Development

Indicative practice  program

Tools and introduction to machine learning
Dimension reduction and unsupervised models
Supervised models: linear and SVM
MLP and Deep learning
Deep learning(II)

4. Academic activities

The subject has a practical orientation, illustrating the fundamentals of machine learning with examples of real applications carried out by the teachers, such as: smart home appliances, prediction of electricity consumption demand, recognition of activities in a house from sensor data, analysis of material properties, computer vision, recognition of vocal commands, quality of service in telecommunications, etc.

Teaching activities:

  1. Master Class (20 hours)
  2. Case studies (10 hours)
  3. Practical sessions: (18 hours)
  4. Teaching assignments (36 hours)
  5. Study and personal work (60 hours)
  6. Assessment tests (6 hours

5. Assessment system

The subject will be evaluated by the continuous assessment system by means of the following activities:

Written test (30%)

Multiple-choice exam with penalties for failures, to be taken on the date of the official call.

2. Practices (30%)

They will be evaluated in each session by observation of the student's work and by means of a questionnaire on the practice. Anyone unable to attend a session should contact the teacher.

3. Papers (40%)

They consist of applying ANN or other intelligent techniques to a specific problem. Evaluation items: difficulty and development, results obtained, quality of the report, oral presentation and defence.

  • They will preferably be carried out in groups of two students.
  • In order to pass in the 1st call, the report must be submitted one week before the official date of the 1st call established by EINA (May). The oral presentations will take place on the day of the official call, following the exam.
  • In order to pass in the 2nd call, the report must be submitted one week before the official date of the extraordinary call established by EINA (June-July).

Alternatively, there is the possibility of passing the subject by means of a global evaluation to be carried out in the official calls for exams by means of an oral and/or written theoretical-practical test.


Curso Académico: 2023/24

623 - Máster Universitario en Ingeniería de Telecomunicación

60973 - Redes neuronales electrónicas


Información del Plan Docente

Año académico:
2023/24
Asignatura:
60973 - Redes neuronales electrónicas
Centro académico:
110 - Escuela de Ingeniería y Arquitectura
Titulación:
623 - Máster Universitario en Ingeniería de Telecomunicación
Créditos:
6.0
Curso:
2
Periodo de impartición:
Segundo semestre
Clase de asignatura:
Optativa
Materia:
---

1. Información básica de la asignatura

RNE es una asignatura optativa (plazas limitadas), cuyo objetivo es formar en los fundamentos de las redes neuronales y otras técnicas inteligentes del machine learning (aprendizaje automático), con orientación muy práctica y énfasis en la implementación software y hardware, característica diferencial respecto de otras asignaturas, con aplicación en domótica, electrodomésticos, internet de las cosas, visión por computador, etc.

El objetivo de RNE es dotar al estudiante de conocimientos y herramientas para incorporar inteligencia a sistemas y dispositivos. Dadas las titulaciones que dan acceso al Máster, no son necesarios conocimientos previos adicionales.

Estos planteamientos están alineados con los Objetivos de Desarrollo Sostenible de la Agenda 2030 de Naciones Unidas (https://www.un.org/sustainabledevelopment/es/), contribuyendo a las metas 8.2 (Objetivo 8) y 9.5 (Objetivo 9).

2. Resultados de aprendizaje

  1. Aplica redes neuronales artificiales y otras técnicas inteligentes para solucionar problemas en entornos nuevos o con información imprecisa o poco definida.
  2. Conoce los fundamentos de las redes neuronales artificiales y de otras técnicas relacionadas.
  3. Es capaz de desarrollar un proyecto basado en redes neuronales y otros sistemas inteligentes, dividiendo el problema en partes, seleccionando la técnica más idónea en cada caso y realizar su simulación en un computador.
  4. Es capaz de seleccionar la tecnología electrónica de implementación adecuada en cada caso: ASIC, FPGA, microcontrolador, DSP o computador.

3. Programa de la asignatura

RNE recorre todo el campo del machine learning, desde los modelos lineales hasta los más recientes del deep learning y modelos generativos como chatGPT.

Programa de teoría

Tema 1.  Fundamentos del machine learning
Tema 2.  Aprendizaje supervisado
Tema 3.  Aprendizaje no supervisado
Tema 4.  Modelos kernel (RBF, SVM) y temporales
Tema 5.  Deep Learning y modelos generativos
Tema 6.  Implementación electrónica
Tema 7.  Realización digital
Tema 8.  Desarrollo de aplicaciones

Programa de prácticas orientativo

Herramientas e introducción al machine learning
Reducción de dimensiones y modelos no supervisados
Modelos supervisados: lineales y SVM
MLP y Deep learning
Deep learning (II)

4. Actividades académicas

La asignatura tiene una orientación práctica, ilustrando los fundamentos de machine learning con ejemplos de aplicaciones reales realizadas por los profesores, como por ejemplo: electrodomésticos inteligentes, predicción de demanda de consumo eléctrico, reconocimiento de actividades en una vivienda a partir de datos de sensores, análisis de propiedades de materiales, visión por computador, reconocimiento de comandos vocales, calidad de servicio de telecomunicaciones, etc.

Actividades docentes:

  1. Clase magistral (20 horas)
  2. Estudio de casos (10 horas)
  3. Prácticas (18 horas)
  4. Trabajos docentes (36 horas)
  5. Estudio y trabajo personal (60 horas)
  6. Pruebas de evaluación (6 horas)

5. Sistema de evaluación

La asignatura se evaluará en la modalidad de evaluación global mediante las siguientes actividades:

1. Prueba escrita (30%)

Examen tipo test con penalización por fallos, a realizar en la fecha de convocatoria oficial.

2. Prácticas (30%)

Se evaluarán en cada sesión de la observación de la labor del estudiante y mediante un cuestionario sobre la práctica. Quien no pueda asistir a una sesión deberá contactar con el profesor.

3. Trabajos (40%)

Consisten en aplicar RNA u otras técnicas inteligentes a algún problema concreto. Ítems de valoración: dificultad y desarrollo, resultados obtenidos, calidad de la memoria, exposición oral y defensa.

  • Se realizarán preferiblemente en grupos de dos estudiantes.
  • Para aprobar en 1ª convocatoria habrá que entregar la memoria una semana antes de la fecha oficial de la 1ª convocatoria establecida por la EINA (mayo). Las exposiciones orales se realizarán el día de la convocatoria oficial, a continuación del examen.
  • Para aprobar en 2ª convocatoria, habrá que entregar la memoria una semana antes de la fecha oficial de la convocatoria extraordinaria establecida por la EINA (junio-julio).

Alternativamente, existe la posibilidad de superar la asignatura por evaluación global a realizar en las convocatorias oficiales mediante prueba teórico-práctica oral y/o escrita.