Guía docente de la asignatura
(6598) DEEP LEARNING

Curso académico 2026/2027

  1. Identificación

    1. De la asignatura

      Curso Académico
      2026/2027
      Titulación
      GRADO EN CIENCIA E INGENIERÍA DE DATOS
      Nombre de la asignatura
      DEEP LEARNING
      Código
      6598
      Curso
      TERCERO
      Carácter
      OBLIGATORIA
      Número de grupos
      1
      Créditos ECTS
      6.0
      Estimación del volumen de trabajo
      150.0
      Organización temporal
      2º Cuatrimestre
      Idiomas en que se imparte
      Español
      Curso Académico 2026/2027
      Titulación

      GRADO EN CIENCIA E INGENIERÍA DE DATOS
      Nombre de la asignatura DEEP LEARNING
      Código 6598
      Curso TERCERO
      Carácter OBLIGATORIA
      Número de grupos 1
      Créditos ECTS 6.0
      Estimación del volumen de trabajo 150.0
      Organización temporal 2º Cuatrimestre
      Idiomas en que se imparte Español

    2. Del profesorado: Equipo docente

      • BOTIA BLAYA, JUAN ANTONIO Docente: GRUPO 1 Coordinación de los grupos: GRUPO 1 Coordinador de la asignatura

        Categoría

        CATEDRATICOS DE UNIVERSIDAD

        Área

        CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL

        Departamento

        INGENIERÍA DE LA INFORMACIÓN Y LAS COMUNICACIONES

        Correo electrónico / Página web / Tutoría electrónica

        juanbot@um.es Tutoría electrónica: No

        Teléfono, horario y lugar de atención al alumnado

      • MARTINEZ SANCHEZ, ANTONIO Docente: GRUPO 1 Coordinación de los grupos:

        Categoría

        PROFESORES TITULARES DE UNIVERSIDAD

        Área

        CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL

        Departamento

        INGENIERÍA DE LA INFORMACIÓN Y LAS COMUNICACIONES

        Correo electrónico / Página web / Tutoría electrónica

        anmartinezs@um.es https://webs.um.es/anmartinezs Tutoría electrónica: Sí

        Teléfono, horario y lugar de atención al alumnado

        Duración:
        A         		Día:
        Martes         		Horario:
        11:30-13:30         		Lugar:
        868884616, Facultad de Informática B1.1.009A (DESPACHO PROF. ANTONIO MARTÍNEZ SÁNCHEZ)
        Observaciones:
        Se requiere cita previa, que puede ser solicitada a través del Aula Virtual o correo electrónico. Las tutorías pueden ser tanto presenciales, en el despacho, como telemáticas.

  2. Presentación

    El deep learning es una disciplina directamente relacionada con el Machine Learning, y el Análisis de Datos, que se han convertido desde su nacimiento en los primeros años de la década de 2010 hasta la actualidad, en el verdadero motor de la Inteligencia Artificial (IA), una de las tecnologías más revolucionarias del siglo XXI. Esta disciplina aunque inicialmente se encuadraba dentro del Machine Learning ya rebasa los límites de esta disciplina. Aunque se centra en el aprendizaje de modelos de redes neuronales, dichas redes neuronales son del tipo profundo, que equivale a decir que su tamaño implica requerimientos especiales tanto en las características de los conjuntos de datos para un entrenamiento realmente efectivo como del hardware necesario para dicho entrenamiento se produzca en un tiempo de cómputo realmente práctico. Más allá de las redes neuronales, los modelos de atención y otros incluso más recientes, están posibilitando nuevas formas de entender la IA mediante la tecnología de los LLM (Large Language Models). En esta asignatura veremos una introducción a las redes neuronales profundas y dedicaremos sendos temas a los tipos de redes profundas y modelos Deep que posibilitan las aplicaciones de IA que están dando lugar a la nueva revolución industrial de la que somos testigos. 

  3. Condiciones de acceso a la asignatura

    1. Incompatibilidades

      No constan

    2. Requisitos

      No constan

    3. Recomendaciones

      Para cursar esta asignatura se recomienda haber aprobado las asignaturas de Optimización II y Machine Learning de Segundo.

  4. Competencias

    1. Competencias básicas

      • CB2: Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio
      • CB4: Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado
      • CB5: Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

    2. Competencias de la titulación

      • CG1: Conocer y aplicar la analítica de datos y técnicas estadísticas apropiadas para descubrir nuevas relaciones en los datos y realizar aportaciones a procesos de las organizaciones, así como apoyar en la toma de decisiones.
      • CG4: Capacidad para aplicar los métodos generales de la ciencia e ingeniería de datos en los tipos de datos de dominios específicos, así como en la presentación de los datos, el modelado de datos y procesos, los roles organizacionales y las relaciones entre estos.
      • CG6: Ser capaz de buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo.
      • CE1: Usar de forma efectiva una variedad de técnicas de análisis de datos, tales como aprendizaje computacional (incluyendo aprendizaje supervisado, no supervisado y semi-supervisado), minería de datos, analítica prescriptiva y predictiva, para abordar el análisis de datos complejo en todo el ciclo de vida de los datos.
      • CE5: Desarrollar análisis de datos para tareas de organizaciones, integrar diferentes analíticas y aplicaciones de procesamiento de datos en el flujo de trabajo de las organizaciones y los procesos de negocio con el fin de agilizar la toma de decisiones.
      • CE15: Procesar y analizar datos procedentes de fuentes, tipos y formatos de datos semi estructurados y estructurados de interés para Ciencia de datos.

    3. Competencias transversales y de materia

      No constan

  5. Contenidos

    1. Teoría

      Tema 1: Tema 1: Introducción al Deep Learning

      Tema 2: Tema 2. Redes convolucionales

      Tema 3: Tema 3. Redes recurrentes

      Tema 4: Tema 4. Transformers

      Tema 5: Tema 5. Redes neuronales de grafos

      Tema 6: Tema 6. Autoencoders

      Tema 7: GAN, modelos de difusión y otros modelos generativos

    2. Prácticas

      • Práctica 1: Práctica 1

        Primera práctica

        Relacionado con:
        • Tema 1: Tema 1: Introducción al Deep Learning

      • Práctica 2: Práctica 2

        Segunda práctica

        Relacionado con:
        • Tema 2: Tema 2. Redes convolucionales
        • Tema 3: Tema 3. Redes recurrentes

      • Práctica 3: Práctica 3

        Tercera práctica

        Relacionado con:
        • Tema 4: Tema 4. Transformers
        • Tema 5: Tema 5. Redes neuronales de grafos

      • Práctica 4: Práctica 4

        Cuarta y última práctica

        Relacionado con:
        • Tema 6: Tema 6. Autoencoders
        • Tema 7: GAN, modelos de difusión y otros modelos generativos

  6. Actividades Formativas

    Actividad Formativa Metodología Horas Presencialidad
    AF1: Exposición teórica: Exposición de los contenidos teóricos de la asignatura por parte del profesor. También se contemplan las sesiones informativas sobre el desarrollo del trabajo de fin de grado o prácticas externas.

    Exposición teórica: exposición de los contenidos teóricos de la asignatura por parte del profesor.

    		 30.0 100.0
    AF2: Seminarios y actividades de aula: Exposición, análisis y debate dentro del contexto de aplicaciones específicas de contenidos teóricos, así como planteamiento y resolución de ejercicios y casos prácticos en el aula, tanto al grupo completo como en grupos reducidos. También se contemplan conferencias, debates y seminarios temáticos.

    Seminarios y actividades en el aula.

    		 3.0 100.0
    AF3: Prácticas de laboratorio: Ejercicios y resolución de problemas, aprendizaje orientado a proyectos, estudio de casos, exposición y discusión de trabajos, simulaciones y/o prácticas con ordenadores, generalmente desarrolladas en grupos reducidos.

    Prácticas de laboratorio.

    		 20.0 100.0
    AF4: Trabajo autónomo del alumno: Estudio y preparación de contenidos teórico-prácticos, trabajo individual consistente en lecturas, búsquedas de información, sistematización de contenidos, elaboración de informes o estudio para la elaboración de casos entre otras actividades.

    Trabajo autónomo del alumno.

    		 90.0 0.0
    AF5: Tutorías formativas y resolución de dudas: Asistencia individualizada -tutorías individuales- o en grupo -tutorías colectivas- a los estudiantes por parte del profesor.

    Tutorías formativas y resolución de dudas.

    		 3.0 100.0
    AF6: Evaluación: Pruebas individuales, ya sean escritas, orales o con medios informáticos, donde el estudiante demostrará los conocimientos teóricos y prácticos adquiridos durante las actividades formativas asociadas a la enseñanza de la materia.

    Evaluación: pruebas individuales.

    		 4.0 100.0
    Totales 150,00

  7. Horario de la asignatura

    https://www.um.es/web/estudios/grados/ciencia-ingenieria-datos/2026-27#horarios

  8. Sistemas de Evaluación

    Identificador Denominación del instrumento de evaluación Criterios de Valoración Ponderación
    SE1 Exámenes individuales: Pruebas objetivas, de desarrollo, de respuesta corta, de ejecución de tareas o de escala de actitudes, realizadas por los estudiantes para mostrar los conocimientos teóricos y prácticos adquiridos ya sea de forma oral, escrita o utilizando un ordenador.

    Examen teórico-práctico presencial de carácter obligatorio con una valoración máxima de 10 puntos con una ponderación del 60% en la calificación final de la asignatura.

    Criterios:

    (1) Expresarse correctamente en español, así como las destrezas de comunicación y entendimiento sobre los conocimientos, procedimientos y resultados expuestos en clase. (2) Inexistencia de errores ortográficos o gramaticales. (3) Las respuestas son coherentes y pertinentes. (4) Se contesta y explica con precisión a las preguntas planteadas. (5) La presentación es clara, estructurada y ordenada. (6) Correlación precisa entre las cuestiones planteadas y las respuestas entregadas. (7) Los ejercicios están bien resueltos, justificados y detalladamente explicados.

    		 60.0
    SE3 Procedimientos de observación del trabajo del estudiante: Registros de participación, de realización de actividades, cumplimiento de plazos, participación en foros, informes de seguimiento del trabajo fin de grado y registros sobre el desarrollo de las prácticas externas. 0.0
    SE4 Informe técnico. En este instrumento incluimos los resultados de actividades prácticas, o de laboratorio, junto con sus memorias descriptivas y posibles resúmenes del estado del arte sobre temas concretos. La opción de realizar entrevistas personales o presentaciones de los trabajos realizados también entran en esta categoría.

    Evaluación presencial de resolución de tareas prácticas, con un peso del 40% en la calificación de la asignatura. Se evaluará la capacidad para resolver los problemas prácticos planteados, y la justificación de las decisiones técnicas adoptadas.

    Criterios

    Se valora el uso y aplicación correcta de los conocimientos, procedimientos y resultados aprendidos a las distintas cuestiones y ejercicios planteados Se valora que las respuestas sean coherentes, pertinentes y que se explique con precisión a las preguntas planteadas Los ejercicios tienen que estar bien resueltos y correctamente justificados

    La calificación del SE4 es recuperable: ver apartado de observaciones.

    		 40.0

  9. Fechas de exámenes

    https://www.um.es/web/estudios/grados/ciencia-ingenieria-datos/2026-27#examenes

  10. Resultados del Aprendizaje

    • Conocer las técnicas de aprendizaje profundo.
    • Diseñar pipelines de entrenamiento de modelos de deep learning
    • Conocer las diferentes particularidades de cada uno de los tipos de modelos más conocidos de deep-learning
    • Plantear experimentos de fine-tuning a nivel básico
    • Conocer las peculiaridades del deep learning con respecto al machine learning clásico
    • Usar deep learning para aprendizaje de espacios latentes
    • Usar deep learning para diseñar mecanismos de convolución
    • Usar deep learning para procesamiento de secuencias
    • Diseñar esquemas de aprendizaje basados en mecanismos de atención y transformers
    • Entender los fundamentos de los modelos de deep learning generativos

  11. Bibliografía

  12. Observaciones

    NECESIDADES EDUCATIVAS ESPECIALES

    Aquellos estudiantes con discapacidad o necesidades educativas especiales podrán dirigirse al Servicio de Atención a la Diversidad y Voluntariado (ADYV - https://www.um.es/adyv) para recibir orientación sobre un mejor aprovechamiento de su proceso formativo y, en su caso, la adopción de medidas de equiparación y de mejora para la inclusión, en virtud de la Resolución Rectoral R-358/2016. El tratamiento de la información sobre este alumnado, en cumplimiento con la LOPD, es de estricta confidencialidad.

    EVALUACIÓN

    En el procedimiento de evaluación resultarán de aplicación el artículo 135.1.v) de los Estatutos de la Universidad de Murcia, el artículo 8.6 del Reglamento de Evaluación de Estudiantes (REVA) y la instrucción SG 18/2026 del secretario general de la Universidad de Murcia que interpreta estas normas, disponible en este enlace: https://sede.um.es/sede/documento/normativa/instruccion-del-secretario-general-sg-18-2026-sobre-la-interpretacion-y-aplicacion-del-art-135-1-v-estatutos-umu/24199.pdf

    Se recuerda asimismo que el artículo 22.1 del Reglamento de Evaluación de Estudiantes (REVA) estipula que "el o la estudiante que se valga de conductas fraudulentas, incluida la indebida atribución de identidad o autoría, o esté en posesión de medios o instrumentos que faciliten dichas conductas, obtendrá la calificación de cero en el procedimiento de evaluación y, en su caso, podrá ser objeto de sanción, previa apertura de expediente disciplinario".

    OBSERVACIONES DEL EQUIPO DOCENTE

    Para aprobar la asignatura, se debe superar (nota igual o superior a 5 sobre 10) tanto una parte teórica (T) con un peso del 60%, como una parte práctica (P) con un peso del 40%, correspondidentes a los sistemas de evaluación S1 y S4. La parte práctica (P) está sujeta a evaluación continua mediante la realización de varias pruebas en el laboratorio.

    Dentro del mismo curso académico, el estudiante tendrá derecho a presentarse únicamente a las partes no superadas (T o P), manteniendo la calificación de las partes (T o P) ya superadas en una convocatoria previa con nota igual o superior a 5 sobre 10. Las notas correspondientes a las pruebas de laboratorio se guardan individualmente en sucesivas convocatorias dentro del curso académico. Si un alumno no ha superado alguna de las pruebas de la parte práctica durante la evaluación continua, podrá recuperarlas en las convocatorias en las que ya no se imparta la asignatura, dentro del curso académico.

    En el caso en que, en convocatoria ordinaria, se haya superado alguna de las pruebas de la parte práctica, el alumno tendrá derecho a volver a examinarse de esa parte para subir nota. Para ello, deberá renunciar de forma explícita a su calificación actual, mediante correo electrónico al profesorado responsable de la asignatura, con una antelación mínima de 5 días naturales previos a la fecha del examen.