Nombre: INTRODUCCIÓN AL MACHINE LEARNING: TEORÍA Y APLICACIONES
Código: 211101010
Carácter: Optativa
ECTS: 3
Unidad Temporal: Cuatrimestral
Despliegue Temporal: Curso 1º - Segundo cuatrimestre
Menciones/Especialidades:
Lengua en la que se imparte: Castellano
Carácter: Presencial
Nombre y apellidos: SANCHO GÓMEZ, JOSÉ LUIS
Área de conocimiento: Teoría de la Señal y Comunicaciones
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 968325371
Correo electrónico: josel.sancho@upct.es
Horario de atención y ubicación durante las tutorias:
Titulaciones:
Categoría profesional: Catedrático de Universidad
Nº de quinquenios: 5
Nº de sexenios: 4 de investigación
Curriculum Vitae: Perfil Completo
Responsable de los grupos: G1
Nombre y apellidos: LARREY RUIZ, JORGE
Área de conocimiento: Teoría de la Señal y Comunicaciones
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 968338861
Correo electrónico: jorge.larrey@upct.es
Horario de atención y ubicación durante las tutorias: Las tutorías se realizarán a demanda del estudiante mediante solicitud remitida al correo jorge.larrey@upct.es
Titulaciones:
Doctor en Doctor Ingeniero de Telecomunicación en la Universidad Politécnica de Cartagena (ESPAÑA) - 2008
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 4
Nº de sexenios: 3 de investigación
Curriculum Vitae: Perfil Completo
[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.
[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 ]. 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
[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.
[CG12 ]. Poseer habilidades para el aprendizaje continuado, autodirigido y autónomo.
[CG6 ]. Capacidad para la dirección general, dirección técnica y dirección de proyectos de investigación, desarrollo e innovación, en empresas y centros tecnológicos.
[CG8 ]. Capacidad para la aplicación de los conocimientos adquiridos y resolver problemas en entornos nuevos o poco conocidos dentro de contextos más amplios y multidisciplinares, siendo capaces de integrar conocimientos.
[CG9 ]. Capacidad para comprender la responsabilidad ética y la deontología profesional de la actividad de la profesión de Ingeniero de Telecomunicación.
[TT1 ]. Capacidad para aplicar métodos de la teoría de la información, la modulación adaptativa y codificación de canal, así como técnicas avanzadas de procesado digital de señal a los sistemas de comunicaciones y audiovisuales
[TT4 ]. Capacidad para diseñar y dimensionar redes de transporte, difusión y distribución de señales multimedia
[CT2 ]. Trabajar en equipo
[CT5 ]. Aplicar a la práctica los conocimientos adquiridos
Al finalizar el plan formativo el estudiante debe ser capaz de:
Identificar los problemas de clasificación y aproximación presentes en problemas reales en el ámbito de la bioingeniería
Diseñar las redes neuronales explicadas en el curso: MLPs y RBFs
Entrenar correctamente los MLP y RBF para obtener buena generalización
Clasificar los distintos métodos de registro y fusión de imagen y criticar sus limitaciones actuales
Identificar problemas reales en los cuales se pueda aplicar el registro y la fusión de imagen
6. Desarrollar las herramientas necesarias para abordar la implementación de algoritmos de registro y fusión de imagen que resulten adecuados para distintas aplicaciones
Reconocimiento estadístico de patrones. Clasificación y aproximación. Aprendizaje máquina y analítico. Redes neuronales. Perceptrón Multicapa. Máquinas basadas en núcleos. Deep Learning. Evaluación de prestaciones. Aplicaciones (biomédicas, acústicas, industriales, etc.).
Bloque I.- Introducción al Machine Learning
1.1. Introducción
1.2. Aprendizaje Máquina
1.3. Redes Neuronales
1.3.1. Perceptrón Multicapa (MLP)
1.3.2. Redes de Funciones de Base Radial (RBF)
1.4. Evaluación y Aplicaciones
Bloque II.- Introducción al Deep Learning
2.1 Introducción
2.2 Redes profundas progresivas
2.3. Regularización y optimización de redes profundas
2.4. Principales redes profundas
2.4.1. Autoencoders
2.4.2. Redes Convolucionales
Sesión 1.- Entrenamiento de Máquinas de Aprendizaje I
Sesión 2.- Entrenamiento de Máquinas de Aprendizaje II
Sesión 3.- Entrenamiento de Máquinas de Aprendizqje III
La Universidad Politécnica de Cartagena considera como uno de sus principios básicos y objetivos fundamentales la promoción de la mejora continua de las condiciones de trabajo y estudio de toda la Comunidad Universitaria. Este compromiso con la prevención y las responsabilidades que se derivan atañe a todos los niveles que integran la Universidad: órganos de gobierno, equipo de dirección, personal docente e investigador, personal de administración y servicios y estudiantes. El Servicio de Prevención de Riesgos Laborales de la UPCT ha elaborado un "Manual de acogida al estudiante en materia de prevención de riesgos" que puedes encontrar en el Aula Virtual, y en el que encontraras instrucciones y recomendaciones acerca de cómo actuar de forma correcta, desde el punto de vista de la prevención (seguridad, ergonomía, etc.), cuando desarrolles cualquier tipo de actividad en la Universidad. También encontrarás recomendaciones sobre cómo proceder en caso de emergencia o que se produzca algún incidente. En especial, cuando realices prácticas docentes en laboratorios, talleres o trabajo de campo, debes seguir todas las instrucciones del profesorado, que es la persona responsable de tu seguridad y salud durante su realización. Consúltale todas las dudas que te surjan y no pongas en riesgo tu seguridad ni la de tus compañeros.
NA
Estudio personal o en grupo de alumnos.
Estudio del alumno para preparar la asignatura.
15
0
Preparación de trabajos y ejercicios (incluye tiempo para consulta bibliográfica y documentación).
Para superar la asignatura el alumno debe preparar trabajos y ejercicios.
45
0
Clase magistral participativa
Exposición de la teoría y problemas mediante una clase magistral. Se fomentará la participación del alumno.
9
100
Clase orientada a la resolución de problemas y casos de estudio.
Explicación por parte del profesor y descripción de los problemas y casos de estudio.
6
100
Clase práctica en laboratorio.
Realización de las Prácticas en el laboratorio docente destinado para ello.
3
100
Asistencia a seminarios, conferencias, visitas guiadas, etc.
Asistencia a seminarios, conferencias, visitas guiadas, etc.
3
100
Presentación de trabajos ante el profesor.
El alumno deberá defender ante el profesor y resto de alumnos los trabajos desarrollados.
6
100
Realización de pruebas de evaluación (tiempo de duración de los exámenes y otras pruebas de evaluación en el aula).
Pruebas de examen para la evaluación del alumno.
3
100
Examen final
Test y/o cuestiones cortas referidas a los conceptos fundamentales y aplicaciones estudiados en las sesiones de teoría. Es necesario obtener una calificación igual o superior a 4.0 (sobre 10) en esta prueba para hacer media.
40 %
Entrega de problemas
Exposición oral y posterior debate del trabajo entregable propuesto por el profesor
30 %
Entrega de prácticas
Entrega de la memoria de resultados correspondiente a cada una de las prácticas.
30 %
Examen final
Test y/o cuestiones cortas referidas a los conceptos fundamentales y aplicaciones estudiados en las sesiones de teoría. Es necesario obtener una calificación igual o superior a 4.0 (sobre 10) en esta prueba para hacer media.
40 %
Entrega de problemas
Exposición oral y posterior debate del trabajo entregable propuesto por el profesor
30 %
Entrega de prácticas
Entrega de la memoria de resultados correspondiente a cada una de las prácticas.
30 %
El sistema de evaluación continua incluye dos actividades de evaluación con peso del 40%, en las que se evaluarán los contenidos de los bloques temáticos de la asignatura. Cada una de estas actividades tiene un peso del 20% de la calificación global y se evaluará mediante un examen. En esta actividad, se requiere una nota media mínima de 3 sobre 10 puntos para promediar la calificación con el resto de actividades de evaluación.
Así mismo, en relación a las prácticas de la asignatura, el sistema de evaluación continua incluye una segunda actividad que cubre el 30% restante de la calificación global. En dicha actividad se evaluará a lo largo del cuatrimestre la ejecución de tareas prácticas. Se requiere una nota mínima de 3 sobre 10 puntos en esta actividad para promediar la calificación con el resto de actividades de evaluación.
El examen de evaluación continua se completa con una actividad de presentación oral de un trabajo realizado por parejas elegido por el profesor. El peso global de esta actividad es del 30% del total de la asignatura.
El sistema de evaluación final se llevará a cabo mediante una prueba única dividida en tres partes, las cuales se corresponden con las tres actividades del sistema de evaluación continua. Se realizarán dos exámenes escritos, con un peso del 20% cada uno, sobre los aspectos teóricos de los dos bloques de la asignatura y un cuestionario sobre las tareas prácticas que tendrá un peso del 30%. Posteriormente, el alumno realizará la presentación oral del trabajo acordado previamente con el profesor que tendrá un peso del 30%. Para promediar se requiere una nota mínima de 3 sobre 10 puntos en cada una de las actividades. Si un estudiante que ha alcanzado la nota mínima en una actividad de evaluación del sistema de evaluación continua desea presentarse a la actividad equivalente en el sistema de evaluación final debe haber renunciado previamente a dicha calificación.
En ambos sistemas de evaluación será necesaria una calificación media mínima de 5 sobre 10 para superar la asignatura.
Autor: C. M. Bishop
Título: Neural Networks for Pattern Recognition
Editorial: Oxford Academic Press
Fecha Publicación: 1995
ISBN: 0198538642
Autor: I. Goodfellow et al.
Título: Deep Learning
Editorial: MIT Press
Fecha Publicación: 2016
ISBN: 10: 0262035618
Autor: T. Hastie et al
Título: The Elements of Statistical Learning
Editorial: Springer
Fecha Publicación: 2009
ISBN: 10: 0387848576
Material disponible en Aula Virtual