Eines per a la IA
Introducció al màster: Machine/Deep Learning/IA. Principals programes per a IA. R/Python/Tensorflow/Keras/Pytorch. Conceptes de algebra; probabilitat; estadística. Machine Learning. Revisió de conceptes.
Aprenentatge profund (I)
Xarxes neuronals multicapa estretes i profundes. Implementació de models neuronals profunds amb Keras/Tensorflow. Aplicacions en modelització i classificació: exemples. Autoencoders. Xarxes convolucionals. Arquitectures i Algorismes d'aprenentatge. Aprenentatge per transferència. Exemples d'aplicació.
Aprenentatge profund (II)
Xarxes neuronals recurrents (RNN): LSTM (Long Short Term Memory), GRU (Gated Recurrent Unit), Bidirectional LSTM. Aplicacions en finances. Xarxes Generatives Adversariales (GAN).
Aprenentatge Reforçat
Introducció. Fonaments matemàtics: Equació de Bellman. Processos MDP. Aprenentatge per diferències temporals. SARSA. Q-Learning. DQN i variants. RL basat en polítiques. Models Actor-Crític. Versions profundes. Exemples d'aplicació.
Processament del Llenguatge Natural
Adquisició i preprocesado de text. Extracció de característiques BoW i TF-IDF. Topic Modeling. Extracció d'informació. Word embeddings. Transformers. Models generatius. Exemples d'aplicació.
IA en cloud
APIs d'aprenentatge automàtic: Solucions AWS: productes de DL i ML. Solucions Google: AutoML, #AI Hub. Microsoft Azure Machine Learning.
IA industrial
Aquest mòdul s'avaluarà mitjançant un treball que els alumnes han de realitzar sobre una de les aplicacions descrites al llarg d'aquesta assignatura (a elecció de l'alumne).
Altres models de IA
Xarxes neuronals basades en grafs. Models multimodals. Models de difusió. Explicabilidad en models d'aprenentatge profund
Treball final de Màster
Desenvolupament d'un treball posant en pràctica els coneixements adquirits