Nombre: TECNOLOGÍAS PARA INTELIGENCIA ARTIFICIAL
Código: 247101009
Carácter: Obligatoria
ECTS: 6
Unidad Temporal: Cuatrimestral
Despliegue Temporal: Curso 1º - Segundo cuatrimestre
Menciones/Especialidades:
Lengua en la que se imparte: Castellano
Carácter: Presencial
Nombre y apellidos: ALCARAZ ESPÍN, JUAN JOSÉ
Área de conocimiento: Ingeniería Telemática
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 968326544
Correo electrónico: juan.alcaraz@upct.es
Horario de atención y ubicación durante las tutorias:
martes - 16:00 / 19:00
ANTIGONES, planta 1, Despacho 14
jueves - 16:00 / 19:00
ANTIGONES, planta 1, Despacho 14
Se recomienda avisar con antelación por correo electrónico enviando un mensaje a: juan.alcaraz.upct.es
Titulaciones:
Categoría profesional: Catedrático de Universidad
Nº de quinquenios: 4
Nº de sexenios: 3 de investigación
Curriculum Vitae: Perfil Completo
Responsable de los grupos: G1
Nombre y apellidos: LOSILLA LÓPEZ, FERNANDO
Área de conocimiento: Ingeniería Telemática
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 968338866
Correo electrónico: fernando.losilla@upct.es
Horario de atención y ubicación durante las tutorias:
martes - 10:00 / 13:00
ANTIGONES, planta 1, Despacho Despacho 16
miércoles - 10:00 / 13:00
ANTIGONES, planta 1, Despacho Despacho 16
Tutorías en despacho y Teams. Consultad en aula virtual las modificiaones puntuales en los días de tutorías. Posibilidad de atender fuera de horario de tutorías previo aviso por email al profesor.
Las tutorías se realizarán a demanda del estudiante mediante solicitud remitida al correo fernando.losilla@upct.es
Titulaciones:
Doctor en Telecomunicación en la Universidad Politécnica de Cartagena (ESPAÑA) - 2009
Categoría profesional: Profesor Contratado Doctor
Nº de quinquenios: 3
Nº de sexenios: 2 de investigación
Curriculum Vitae: Perfil Completo
[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
[CG4 ]. Ampliar las fronteras del conocimiento a través de una investigación original.
[CE2 ]. Emplear técnicas de inteligencia artificial en problemas de Ingeniería Telemática.
[CE3 ]. Diseñar y llevar a cabo experimentos con algoritmos de aprendizaje supervisado, no supervisado y reforzado.
[CT5 ]. Aplicar a la práctica los conocimientos adquiridos
Al finalizar el plan formativo, el estudiante debe ser capaz de:
Identificar tipo y metodología para los problemas de aprendizaje automático.
Formular problemas de aprendizaje automático y describir los algoritmos que los resuelven empleando su base matemática.
Aplicar métodos de reducción de dimensionalidad.
Elaborar modelos de sistemas que permitan formular y resolver problemas mediante aprendizaje reforzado.
Implementar, configurar y evaluar algoritmos de aprendizaje automático.
Introducción: Tipos de aprendizaje, aplicaciones, etc.<br>Aprendizaje supervisado: decision trees, random forest y ensembles, SVM, etc.<br>Aprendizaje no supervisado: k-means, k-scale, etc.<br>Técnicas para deep learning: CNNs, RNNs, aplicaciones<br>Aprendizaje reforzado: métodos tabulares, métodos basados en VFA, metodos basados en Policy Gradient<br>Introducción a otras técnicas de RL, aplicaciones<br>Otras técnicas de Inteligencia Artificial no basadas en aprendizaje<br><br><br><br><br><br><br><br>
Aprendizaje supervisado y no supervisado
Tema 0: Introducción a Machine Learning.
Tema 1: Regresión lineal.
Tema 2: Regresión logística y k-Nearest Neighbours (kNNs)
Tema 3: Clustering y detección de anomalías.
Tema 4: Reducción de dimensionalidad.
Tema 5: Redes neuronales.
Tema 6: Deep learning.
Aprendizaje por refuerzo
Tema 7: Introducción a RL y Procesos de Decisión de Markov (MDP).
Tema 8: Métodos Monte Carlo (MC).
Tema 9: Métodos Temporal Difference (TD).
Tema 10: Métodos basados en Aproximación de la Función Valor (VFA).
Tema 11: Métodos de Gradiente de la Política (Policy Gradient).
Tema 12: Métodos avanzados.
Aprendizaje supervisado y no supervisado
Práctica 1: Regresión Lineal. Práctica 2: Regresión Logística y k-NN. Práctica 3: Clustering y detección de anomalías. Práctica 4: Técnicas de Reducción de Dimensionalidad. Práctica 5: Redes Neuronales Artificiales. Práctica 6: Deep learning.
Aprendizaje por refuerzo
Práctica 7: Procesos de Decisión de Markov y métodos Monte Carlo. Práctica 8: Temporal Difference. Práctica 9: VFA semi gradiente. Práctica 10: Deep Q-Networks (DQN). Práctica 11: Policy Gradient. Práctica 12: Métodos Avanzados.
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.
Supervised and Unsupervised Learning
0: Introduction to Machine Learning
1: Linear Regression
2: Logistic Regression and k-Nearest Neighbours (kNNs)
3: Clustering and Anomaly Detection
4: Dimensionality Reduction
5: Neural Networks
6: Deep Learning
Reinforced Learning
7: Introduction to Reinforcement Learning and Markov Decision Processes (MDPs)
8: Monte Carlo (MC) Methods
9: Temporal Difference (TD) Methods
10: Value Function Approximation (VFA)
11: Policy Gradient
12: Advanced Methods
Clase magistral participativa
Se impartirán los contenidos del programa de teoría detallados en esta guía. Las clases del bloque de "aprendizaje supervisado y no supervisado" están orientadas a la consecución de los resultados de aprendizaje 1, 2, 3 y 5. Las clases del bloque de "aprendizaje por refuerzo" están orientadas a la consecución de los resultados de aprendizaje 1, 2, 4 y 5.
20
100
Clase orientada a la resolución de problemas y casos de estudio
Se dedicarán sesiones de teoría o partes de las mismas a la resolución de cuestiones y ejercicios.
8
100
Clase práctica en laboratorio
Se desarrollará el programa de prácticas detallado en esta guía. Las prácticas del bloque de "aprendizaje supervisado y no supervisado" (P1-P6) están orientadas a la consecución de los resultados de aprendizaje 1, 2, 3 y 5. Las prácticas del bloque de "aprendizaje por refuerzo" (P7-P12) están orientadas a la consecución de los resultados de aprendizaje 1, 2, 4 y 5.
24
100
Realización de pruebas de evaluación (tiempo de duración de los exámenes y otras pruebas de evaluación en el aula)
Realización de pruebas de evaluación parciales durante el sistema de evaluación continua y dependiendo de las calificaciones, Realización de pruebas de evaluación del sistema de evaluación final que incluye los parciales de teoría y las actividades de evaluación de prácticas.
2
100
Estudio personal o en grupo de alumnos
Estudio de los contenidos de teoría. Visualización de videos.
50
0
Preparación de trabajos y ejercicios (incluye tiempo para consulta bibliográfica y documentación)
Realización de los entregables de prácticas y los ejercicios propuestos.
70
0
Tutorías
Consultas atendidas por alguno de los profesores individualmente o en pequeños grupos sobre cualquier aspecto teórico o práctico de la asignaturas. Los alumnos podrán escoger si la tutoría es presencial o telemática.
6
100
Examen final
El sistema de evaluación continua contempla dos actividades de evaluación tipo examen que se realizarán durante los correspondientes periodos de exámenes parciales en la fecha determinada por la ETSIT.
Examen Parcial 1:
Contenidos: aprendizaje supervisado y no supervisado
Resultados de aprendizaje evaluados: 1,2,3
Peso en la calificación final: 20%
Examen Parcial 2:
Contenidos: aprendizaje por refuerzo
Resultados de aprendizaje evaluados: 1,2,4
Peso en la calificación final: 20%
La metodología de evaluación en ambas actividades es mediante un cuestionario con preguntas de carácter teórico y calificación numérica.
Estas actividades no tienen asociada calificación mínima.
40 %
Entrega de problemas
El sistema de evaluación continua contempla 2 actividades del tipo "entrega de problemas", una por cada bloque de la asignatura:
Actividad 1, entrega de problemas del bloque "aprendizaje supervisado y no supervisado" :
- Resultados de aprendizaje evaluados: 1,2,3
- Peso en la calificación final: 4 %
- Planificación temporal: antes del primer periodo de exámenes parciales.
Actividad 2, entrega de problemas del bloque "aprendizaje por refuerzo" :
- Resultados de aprendizaje evaluados: 1,2,4
- Peso en la calificación final: 4 %
- Planificación temporal: antes del segundo periodo de exámenes parciales.
Metodología de evaluación en ambas actividades: Problemas y ejercicios propuestos por el profesor para resolver de forma individual. Por cada problema o ejercicio se asignará una calificación numérica.
Calificación mínima: Estas actividades no tienen asociada calificación mínima.
0 %
Entrega de prácticas
El sistema de evaluación continua contempla 12 actividades de evaluación del tipo "Entrega de prácticas", una por cada práctica del programa de prácticas descrito en esta guía docente.. Estas 12 actividades se agrupan en 2 conjuntos de actividades de evaluación de 6 actividades cada uno:
Bloque 1: Conjunto de prácticas de aprendizaje supervisado y no supervisado:
- Actividades de evaluación la componen: P1 - P6
- Resultados de aprendizaje evaluados: 1,2,3,5
- Peso en la calificación final: 30 % (5% por cada actividad del conjunto)
Bloque 2: conjunto de actividades de prácticas de aprendizaje por refuerzo:
- Actividades de evaluación la componen: P7-P12
- Resultados de aprendizaje evaluados: 1,2,4,5
- Peso en la calificación final: 30 % (5% por cada actividad del conjunto)
Por cada práctica se entregará una memoria y/o se realizará un cuestionario en la fecha y forma que el profesor indique durante el periodo lectivo.
Estas actividades no tienen asociada calificación mínima.
60 %
Entrega de proyectos
N/A
0 %
Entrega de estudio de casos
N/A
0 %
Examen final
El examen del sistema de evaluación final consta de 4 actividades de evaluación:
- Actividad 1: Cuestionario de carácter teórico equivalente al examen parcial 1 del SEC. Ponderación: 20 %.
- Actividad 2: Cuestionario de carácter teórico equivalente al examen parcial 2 del SEC. Ponderación: 20 %.
- Actividad 3: Examen de ejercicios de carácter práctico equivalente al conjunto de actividades de evaluación de prácticas de "aprendizaje supervisado y no supervisado" del SEC. Ponderación: 30 %.
- Actividad 4: Examen de ejercicios de carácter práctico equivalente al conjunto de actividades de evaluación de prácticas de "aprendizaje por refuerzo" del SEC. Ponderación: 30 %.
Los resultados de aprendizaje evaluados en cada actividad del sistema de evaluación final son los mismos que en sus correspondientes actividades del sistema de evaluación continua.
100 %
Para aprobar se debe obtener una calificación global igual o superior a 5 sobre 10, calculada a partir de las calificaciones obtenidas en cada actividad de evaluación con la ponderación indicada en esta guía docente.
No se establecen calificaciones mínimas para ninguna de las actividades de evaluación de esta asignatura.
Presentarse a una actividad del sistema de evaluación final IMPLICA RENUNCIAR a la calificación obtenida en dicha actividad del sistema de evaluación continua. Dicha renuncia solo tendrá efecto para la convocatoria en la que se presenta el estudiante.
Autor: Aurélien Géron
Título: Hands-on machine learning with Scikit-Learn and TensorFlow
Editorial: O¿Reilly
Fecha Publicación: 2019
ISBN: 1492032646
Autor: Richard Sutton, Andrew Barto
Título: Reinforcement learning: An introduction
Editorial: MIT Press
Fecha Publicación: 2018
ISBN: 0262039249
Autor: Bishop, Christopher M.
Título: Pattern recognition and machine learning
Editorial: Springer
Fecha Publicación: 2006
ISBN: 9780387310732
Autor: Shiyu Zhao
Título: Mathematical Foundations of Reinforcement Learning
Editorial: Springer
Fecha Publicación: 2025
ISBN: 9819739438
Autor: Dimitri Bertsekas
Título: Reinforcement Learning and Optimal Control
Editorial: Athena Scientific
Fecha Publicación: 2019
ISBN: 1886529396
Autor: Prince, Simon J. D.
Título: Understanding deep learning
Editorial: The MIT Press,
Fecha Publicación: 2023
ISBN: 9780262048644
Autor: Zhiqing Xiao
Título: Reinforcement Learning Theory and Python Implementation
Editorial: Springer
Fecha Publicación: 2024
ISBN: 9789811949326
Curso de Reinforcement Learning en el University College de Londres. URL: http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html
Algorithms for Reinforcement Learning, libro descargable en URL https://sites.ualberta.ca/~szepesva/RLBook.html