Consulta de Guías Docentes



Curso : 2020/2021

533 - Máster Universitario en Ingeniería de Telecomunicación

60942 - Redes neuronales electrónicas


Información del Plan Docente

Año académico:
2020/21
Asignatura:
60942 - Redes neuronales electrónicas
Centro académico:
110 - Escuela de Ingeniería y Arquitectura
Titulación:
533 - Máster Universitario en Ingeniería de Telecomunicación
Créditos:
5.0
Curso:
2
Periodo de impartición:
Primer semestre
Clase de asignatura:
Optativa
Materia:
---

1.Información Básica

1.1.Objetivos de la asignatura

Se trata de una asignatura optativa con número de plazas limitadas.

El objetivo fundamental de la asignatura optativa "Redes neuronales electrónicas" es formar al estudiante en redes neuronales y otras técnicas inteligentes incluidas en el denominado machine learning, con especial énfasis en su implementación y aplicación en ambientes inteligentes. Hoy en día estas técnicas se utilizan de forma rutinaria en coches autónomos, teléfonos móviles (p.e., asistentes de voz), servicios de internet (bots, anti spam, reconocimiento de imágenes, publicidad "a medida"), etc. Compañías como Google, Facebook, Apple, Microsoft, Intel, Samsung, LG, Huawai, Bosch, Tesla, etc., están invirtiendo ingentes cantidades de dinero en estos temas.

En la asignatura, en primer lugar se exponen los fundamentos y mecanismos de aprendizaje: las redes neuronales y el machine learning se basan en el concepto de aprendizaje a partir de ejemplos (learning from data), aprendiendo por sí mismas a reconocer patrones o ajustar modelos.  En segundo lugar se aborda la implementación, tanto en forma de programa como su realización electrónica.  Finalmente se estudian ejemplos de aplicación, como reconocimiento de actividades en entornos domóticos (detectar patrones de uso, presencia de intrusos, caídas, etc.), electrodomésticos inteligentes, calidad de servicio en comunicaciones, predicción de demanda de consumo, etc. 

El objetivo último es dotar al estudiante de unos conocimientos que le permitan aplicar estas herramientas para incorporar inteligencia a sistemas y dispositivos.

1.2.Contexto y sentido de la asignatura en la titulación

Las redes neuronales artificiales son un conjunto de técnicas de machine learning que permiten dotar de inteligencia a sistemas y dispositivos.  Se trata de una disciplina de carácter multidisciplinar que puede ser aplicada a problemas muy variados, desde los ambientes inteligentes, a la electrónica de potencia, pasando por las comunicaciones.  A modo de ejemplo, los profesores de la asignatura han aplicado redes neuronales artificiales y otras técnicas de machine learning al procesamiento de sensores en instalaciones domóticas, visión por computador, seguimiento y evaluación de actividades de personas, calidad de servicio en redes de comunicaciones, reconocimiento de comandos hablados, smart cooking (cocinas de inducción), etc.  Son ejemplos de sistemas inteligentes programados en unos casos en un computador y en otros implementados en microcontroladores, DSP, FPGA o haciendo uso de unidades de procesamiento gráfico (GPU).

1.3.Recomendaciones para cursar la asignatura

Teniendo en cuenta las titulaciones que dan acceso al Máster, no es necesario ningún conocimiento previo adicional. 

2.Competencias y resultados de aprendizaje

2.1.Competencias

CB6 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.

CB7 Los estudiantes sabrán 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.

CB9 Los estudiantes sabrán 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.

CG1 Capacidad para proyectar, calcular y diseñar productos, procesos e instalaciones en todos los ámbitos de la ingeniería de telecomunicación.

CG4 Capacidad para el modelado matemático, cálculo y simulación en centros tecnológicos y de ingeniería de empresa, particularmente en tareas de investigación, desarrollo e innovación en todos los ámbitos relacionados con la Ingeniería de Telecomunicación y campos multidisciplinares afines.

CG11 Capacidad para saber comunicar (de forma oral y escrita) las conclusiones- y los conocimientos y razones últimas que las sustentan- a públicos especializados y no especializados de un modo claro y sin ambigüedades.

CE12 Capacidad para utilizar dispositivos lógicos programables, así como para diseñar sistemas electrónicos avanzados, tanto analógicos como digitales. Capacidad para diseñar componentes de comunicaciones como por ejemplo encaminadores, conmutadores, concentradores, emisores y receptores en diferentes bandas.

CE14 Capacidad para desarrollar instrumentación electrónica, así como transductores, actuadores y sensores.

CE15 Capacidad para la integración de tecnologías y sistemas propios de la Ingeniería de Telecomunicación, con carácter generalista, y en contextos más amplios y multidisciplinares como por ejemplo en bioingeniería, conversión fotovoltaica, nanotecnología, telemedicina.

2.2.Resultados de aprendizaje

R1. Aplica redes neuronales artificiales y otras técnicas inteligentes para solucionar problemas en entornos nuevos o con información imprecisa o poco definida.

R2. Conoce los fundamentos de las redes neuronales artificiales y de otras técnicas relacionadas.

R3. 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.

R4. Es capaz de seleccionar la tecnología electrónica de implementación adecuada en cada caso: ASIC, FPGA, microcontrolador, DSP o computador.

2.3.Importancia de los resultados de aprendizaje

Ante la demanda creciente de entornos inteligentes propia de la actual sociedad de la información, técnicas inteligentes como las redes neuronales artificiales son cada vez más relevantes.  Por un lado, permiten mediante su programación en un computador procesar patrones en tiempo real (por ejemplo, de audio o video) o analizar grandes bases de datos, para realizar seguimiento de actividades, extraer información relevante como patrones de uso o calidad de servicio, etc., gracias a su capacidad de aprendizaje y reconocimiento de patrones a partir de ejemplos.  Por lo tanto, en este sentido pueden enmarcarse en la capa superior del entorno inteligente.

Por otro lado, y a diferencia de otras herramientas encuadradas en la inteligencia artificial, las redes neuronales artificiales pueden implementarse en circuitos integrados específicos y FPGAs o programarse en microcontroladores y DSP.  Estas implementaciones hardware permiten introducir inteligencia “empotrada” o embebida en dispositivos electrónicos, dotándoles de nuevas funcionalidades de gran valor añadido, como por ejemplo, la adaptación de un dispositivo o electrodoméstico a las particularidades de cada usuario, aprendiendo automáticamente sus costumbres, usos, etc.

Los conocimientos, aptitudes y habilidades adquiridos a través de esta asignatura, junto con los del resto del Máster, deben permitir al estudiante desarrollar las competencias anteriormente expuestas, así como abordar con garantías la realización de una tesis doctoral o desempeñar una labor profesional en los ámbitos mencionados.

3.Evaluación

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

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

E1. Prueba escrita presencial (30%)

Se realizará a final del curso una prueba tipo test (con penalización por fallos), supondrá el 30% de la calificación.

E2. Evaluación de las prácticas (30%)

Se evaluarán sesión a sesión a partir de la observación de la labor del estudiante y mediante un cuestionario sobre la práctica.  Esta actividad supondrá el 30% de calificación.

Las prácticas son fundamentales, por lo que quien no realice una práctica en la fecha establecida, tendrá que realizarla por su cuenta, entregando un guión en el que se detalle el trabajo realizado; el cuestionario correspondiente a dicha práctica se pasará en la convocatoria oficial de examen.

E3. Valoración de los trabajos de asignatura (40%)

  • Se realizarán preferiblemente en grupos de dos estudiantes en alguna de las modalidades siguientes:
    • Simulación.  Consiste en la aplicación de RNA u otras técnicas inteligentes a algún problema concreto.  En general, la temática la propondrá el alumno.
    • Documentación.  Consiste en una búsqueda de referencias sobre la aplicación de RNA en áreas relacionadas con la temática del Máster con elaboración de un informe completo.
  • Para aprobar en 1ª convocatoria se deben presentar las propuestas de trabajos en diciembre y entregar la memoria definitiva en enero (las fechas concretas las indicarán los profesores cada año en función del calendario de la EINA).  También en enero se realizarán las exposiciones orales de los trabajos.
  • Para la 2ª convocatoria, cada año se indicará la fecha de entrega de trabajos en función del calendario de la EINA (se deberá entregar tanto la memoria del trabajo como el fichero Power Point correspondiente a la presentación).

El trabajo de asignatura supondrá el 40% de la calificación, valorándose los siguientes conceptos: dificultad y desarrollo, resultados obtenidos, calidad de la memoria, exposición oral y defensa.

4.Metodología, actividades de aprendizaje, programa y recursos

4.1.Presentación metodológica general

El proceso de enseñanza se desarrollará en tres niveles: clases de teoría, estudios de casos (aplicaciones) y prácticas, con creciente participación del estudiante.

  • En las clases de teoría se expondrán las bases teóricas de las redes neuronales y otros sistemas inteligentes, así como las distintas formas tecnológicas de realización, programada y en circuito electrónico.
  • La asignatura tiene una orientación aplicada, por lo que las clases de teoría se complementarán con el tratamiento detallado de casos de aplicación de redes neuronales y otras tecnologías inteligentes a problemas reales, especialmente en el campo de los ambientes inteligentes (análisis de datos de sensores en instalaciones domóticas, visión por computador, reconocimiento de habla, calidad de servicio de telecomunicaciones, inteligencia embebida en electrodomésticos, etc.).
  • Se realizarán prácticas en grupos reducidos, en las cuales se utilizará software específico para desarrollar aplicaciones reales.

4.2.Actividades de aprendizaje

A01  Clase magistral (20 horas)

Se expondrán los contenidos fundamentales de la materia, incentivando la participación de los estudiantes. Los materiales que se expondrán en las clases magistrales estarán a disposición de los alumnos en Moodle.

A02  Estudio de casos (10 horas)

Se desarrollarán casos representativos ilustrando la aplicación de redes neuronales y otras técnicas inteligentes a problemas reales del campo de la ingeniería (reconocimiento de actividades en una vivienda a partir de datos de sensores, aplicaciones de redes neuronales artificiales en electrodomésticos, predicción de demanda de consumo eléctrico, análisis de propiedades de materiales, visión por computador, reconocimiento de habla, calidad de servicio de telecomunicaciones, etc.).

A03  Prácticas (18 horas)

Las prácticas son un medio para que el estudiante aprenda las herramientas y metodología de desarrollo de sistemas inteligentes basados en redes neuronales y otras técnicas relacionadas. Los enunciados de las prácticas estarán a disposición de los alumnos en Moodle.

A06  Trabajos docentes (35 horas)

Tiempo estimado para que el alumno realice los trabajos de asignatura.  Se realizarán preferiblemente en grupos de dos estudiantes en alguna de las dos modalidades expuestas.  Se pretende que el estudiante afiance las competencias anteriormente expuestas (capacidad de resolución de problemas, adaptación a nuevas tecnologías, comunicación, etc.). Se valorará la dificultad del trabajo, desarrollo, resultados, calidad de la memoria y exposición y defensa oral.

A07  Estudio (39 horas)

Estudio personal, preparación de las prácticas, preparación del examen y tutorías.

A08  Pruebas de evaluación (3 horas)

Realización del examen y presentación de los trabajos.

4.3.Programa

Programa de teoría

Tema 1.  Fundamentos de Redes Neuronales y Machine Learning

Tema 2.  Aprendizaje supervisado

Tema 3.  Aprendizaje no supervisado

Tema 4.  Modelos kernel (RBF, SVM) y temporales

Tema 5.  Deep Learning

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)

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

Las clases magistrales y de problemas y las sesiones de prácticas se imparten según horario establecido por el centro (horarios disponibles en su página web). El resto de actividades se planificará en función del número de alumnos y se dará a conocer con suficiente antelación.

  • Período de clases: primer cuatrimestre (otoño).
  • Clases de teoría y problemas-casos: 2 horas de clase semanales en el aula. 
  • Sesiones prácticas: 4-6 sesiones.
  • Entrega de trabajos: se informará en clase y en Moodle de las fechas y condiciones de entrega.
  • Examen: habrá un examen de 1ª convocatoria y otro de 2ª en las fechas que indique el centro.

4.5.Bibliografía y recursos recomendados

Materiales docentes básicos (disponibles en Moodle):

  • Apuntes de la asignatura (diapositivas)
  • Guiones de prácticas
  • Otros documentos y software

Bibliografía disponible en el siguiente enlace:

http://biblos.unizar.es/br/br_citas.php?codigo=60942&year=2020


Curso : 2020/2021

533 - Master's Degree in Telecommunications Engineering

60942 - Electronic neural networks


Información del Plan Docente

Academic Year:
2020/21
Subject:
60942 - Electronic neural networks
Faculty / School:
110 -
Degree:
533 - Master's Degree in Telecommunications Engineering
ECTS:
5.0
Year:
2
Semester:
First semester
Subject Type:
Optional
Module:
---

1.General information

1.1.Aims of the course

1.2.Context and importance of this course in the degree

1.3.Recommendations to take this course

2.Learning goals

2.1.Competences

2.2.Learning goals

2.3.Importance of learning goals

3.Assessment (1st and 2nd call)

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

4.Methodology, learning tasks, syllabus and resources

4.1.Methodological overview

The methodology followed in this course is oriented towards achievement of the learning objectives. A wide range of teaching and learning tasks are implemented, such as

  • Lectures will provide the theoretical background of artificial neural networks (ANN) and machine learning, and how these systems can be implemented in computers and electronic circuits.
  • Case studies and real engineering applications of ANN will be done in the classroom, with special emphasis on intelligent environments (sensor data processing, computer vision, embedded intelligence for home appliances…).
  • The students will do practical work, developing ANN applications by using software frameworks.
  • Individual or group assignments (course project).

Students are expected to participate actively in the class throughout the semester. 

4.2.Learning tasks

  • Lectures (A01) (20 hours). Presentation of the fundamentals of ANN and machine learning, including theoretical concepts and practical applications. Course materials are available in advance at Moodle.
  • Case studies (A02) (10 hours). Different case studies will be worked out at the classroom, related to fields such as computer vision, speech recognition, quality of service of communications, home appliances with embedded intelligence, etc.
  • Practical sessions (A03) (18 hours). Four-six practical sessions will be carried out in small groups, consisting of simulations of ANN. 
  • Assignments (A06) (35 hours). Individual or group assignments will be proposed, in the form of a course project. The assessment criteria include: difficulty, development, achieved results, quality of the written report and oral presentation.
  • Study (A07) (39 hours). Study, preparation of laboratory work and time for preparing the final exam. Students can also attend tutorials to solve specific problems.
  • Evaluation activities (A08) (3 hours). Assessment will be based on coursework (laboratory work and assignments) and final examination.

4.3.Syllabus

The course will address the following topics:

1. Fundamentals of Artificial Neural Networks and Machine Learning

2. Supervised learning

3. Unupervised learning

4. Kernel machines (RBF, Support Vector Machines)

5. Deep Learning

6. Electronic implementations

7. Digital circuit implementations

8. Applications development

Laboratory sessions (tentative)

Introduction to machine learning. Tools

Dimensionality reduction. Unsupervised models

Supervised models: linear and SVM

MLP and Deep Learning

Deep Learning (II)

4.4.Course planning and calendar

Further information concerning the timetable, classroom, office hours, assessment dates and other details regarding this course, will be provided on the first day of class or please refer to the EINA website https://eina.unizar.es/ and https://moodle.unizar.es

4.5.Bibliography and recommended resources

http://biblos.unizar.es/br/br_citas.php?codigo=60942&year=2020