Nombre: MACHINE LEARNING I
Código: 525102009
Carácter: Obligatoria
ECTS: 6
Unidad Temporal: Cuatrimestral
Despliegue Temporal: Curso 2º - 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: PASCUAL GARCÍA, JUAN
Área de conocimiento: Teoría de la Señal y Comunicaciones
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 968326549
Correo electrónico: juan.pascual@upct.es
Horario de atención y ubicación durante las tutorias:
Titulaciones:
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 3
Nº de sexenios: 3 de investigación
Curriculum Vitae: Perfil Completo
Nombre y apellidos: VERDÚ MONEDERO, RAFAEL
Área de conocimiento: Teoría de la Señal y Comunicaciones
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 968326530
Correo electrónico: rafael.verdu@upct.es
Horario de atención y ubicación durante las tutorias: Las tutorías se realizarán a demanda del estudiante mediante solicitud remitida al correo rafael.verdu@upct.es
Titulaciones:
Doctor en Teoría de la Señal en la Universidad Politécnica de Cartagena (ESPAÑA) - 2005
Ingeniero en Telecomunicación en la Universidad Politécnica de Valencia (ESPAÑA) - 2000
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 4
Nº de sexenios: 4 de investigación
Curriculum Vitae: Perfil Completo
[CB3 ]. Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética
[CB5 ]. Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía
[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.
[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.
[CE19 ]. Desarrollar y guiar proyectos de explotación de los datos, incluyendo la planificación del proyecto, el diseño de la experimentación, la recolección de los datos y su manejo.
[CE2 ]. Desarrollar programas orientados al análisis de datos, usando las estructuras de datos, algoritmos y herramientas de programación adecuadas.
Elegir y utilizar las herramientas existentes de analítica de datos y analítica predictiva.
Definir los elementos de datos necesarios para desarrollar análisis de datos específicos.
Ilustrar ideas destacadas para resolver problemas complejos.
Utilizar herramientas para el manejo de datos complejos.
Introducción al Machine Learning.<br>Clasificación y regresión.<br>Aprendizaje no supervisado.<br>Clustering.<br>Redes autoorganizadas (SOM) y cuantificadores vectoriales con aprendizaje (LVQ).<br><br>Aprendizaje supervisado.<br>Subajuste, sobreajuste y generalización.<br>K-NN y ventanas de Parzen.<br>Perceptrón monocapa y multicapa (MLPs).<br>Máquinas basadas en núcleos.<br>Máquinas de vectores soporte (SVM).<br><br>Maldición de la dimensionalidad.<br>Extracción y selección de características.<br>Árboles de decisión.<br><br><br><br><br><br><br><br>
Introducción al Machine Learning
Clasificación y regresión
Generalización
Introducción a métodos de evaluación simples
Medidas de eficiencia
Aspectos a tener en cuenta en el diseño y aprendizaje
Aprendizaje supervisado
Arboles de decisión (clasificación y regresión)
Random Forest
Perceptrón monocapa y multicapa
Máquinas basadas en núcleos
Máquinas de vectores soporte (clasificación y regresión)
Otros enfoques (LVQ, k-NN)
Aprendizaje no supervisado: Clustering
Introducción
Distancia y similaridad
Clustering jerárquico
Agrupamiento particional
Redes autoorganizadas
Técnicas de penalización
Medidas de calidad de clusters
Extracción y selección de características.
Maldición de la dimensionalidad
Técnicas de extracción de características
Técnicas de selección de características
Práctica 1. Métricas, Árboles de Decisión y Random Forest
Entregable sobre Métricas, Árboles de Decisión y Random Forest Relacionado con: Tema 1: Introducción al Machine Learning Tema 2: Aprendizaje supervisado
Práctica 2. Perceptrones, Máquinas de Soporte Vectorial y Otros Enfoques.
Entregable sobre Perceptrones, Máquinas de Soporte Vectorial y Otros Enfoques. Relacionado con: Tema 1: Introducción al Machine Learning Tema 2: Aprendizaje supervisado
Práctica 3. Clustering
Entregable sobre Clustering. Relacionado con: Tema 1: Introducción al Machine Learning Tema 3: Aprendizaje no supervisado: Clústering
Práctica 4. Selección de Características
Entregable sobre Selección de Características Relacionado con: Tema 1. Introducción a Machine Learning Tema 4. Selección de Características
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.
Introduction to Machine Learning
Supervised learning
Unsupervised learning. Clustering.
Feature extraction and selection
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.
Clase magistral impartida en el aula. Resolución de problemas y dudas presentadas por los alumnos
30
100
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.
Espacio dedicado al debate en grupo sobre algún aspecto de especial importancia de la asignatura. También se contempla la posibilidad de una conferencia o seminario impartida por algún experto.
3
100
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.
Clase de prácticas en aula de informática o laboratorio docente.
20
100
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.
Horas de estudio que deben dedicar los estudiantes para preparar la asignatura.
90
0
Tutorías formativas y resolución de dudas: Asistencia individualizada -tutorías individuales- o en grupo -tutorías colectivas- a los estudiantes por parte del profesor.
Asistencia a tutorías. Se recomienda hacer uso de estas horas a lo largo del cuatrimestre, para resolver las dudas que puedan plantearse.
3
100
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.
Realización de las pruebas de evaluación oficial.
4
100
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 50% en la calificación final de la asignatura.
Criterios
Expresarse correctamente en español, así como las destrezas de comunicación y entendimiento sobre los conocimientos, procedimientos y resultados expuestos en clase.
Inexistencia de errores ortográficos o gramaticales.
Las respuestas son coherentes y pertinentes.
Se contesta y explica con precisión a las preguntas planteadas.
La presentación es clara, estructurada y ordenada.
Correlación precisa entre las cuestiones planteadas y las respuestas entregadas.
Los ejercicios están bien resueltos, justificados y detalladamente explicados.
Nota: Consultar el apartado Observaciones para detalles del sistema de evaluación.
50 %
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 %
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.
Entrega de un informe técnico de cada una de las prácticas planteadas de carácter obligatorio con una valoración máxima de 10 puntos con un valor del 50% en la calificación final de la asignatura.
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.
Nota: Consultar el apartado Observaciones para detalles del sistema de evaluación.
50 %
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 50% en la calificación final de la asignatura.
Criterios
Expresarse correctamente en español, así como las destrezas de comunicación y entendimiento sobre los conocimientos, procedimientos y resultados expuestos en clase.
Inexistencia de errores ortográficos o gramaticales.
Las respuestas son coherentes y pertinentes.
Se contesta y explica con precisión a las preguntas planteadas.
La presentación es clara, estructurada y ordenada.
Correlación precisa entre las cuestiones planteadas y las respuestas entregadas.
Los ejercicios están bien resueltos, justificados y detalladamente explicados.
Nota: Consultar el apartado Observaciones para detalles del sistema de evaluación.
50 %
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.
Parte correspondiente a los informes realizados durante el curso y la posible realización de una entrevista escrita (50% de la calificación final de la asignatura).
Nota: Consultar el apartado Observaciones para detalles del sistema de evaluación.
50 %
OBSERVACIONES SOBRE LA EVALUACIÓN:
- La asignatura se divide en dos partes: Teoría y Prácticas. La nota final (NF) de la asignatura será la media ponderada ambas partes según la fórmula siguiente:
NF = 0.5*NFT + 0.5*NFP
donde NFT es la nota final de la parte de teoría y NFP es la nota final de la parte de prácticas, ambas sobre 10 puntos.
- Para superar la asignatura hay que superar las dos partes. Una parte se supera si su nota es mayor o igual que 5. La parte superada se guardará durante todas las convocatorias del curso académico.
- Se obtendrá una calificación de "Suspenso" si el alumno no se ha presentado, al menos, a una de las partes.
- En el caso de que no se haya superado alguna de las dos partes, la nota final no podrá superar el 4.
- Para evaluar la parte práctica, se realizarán varios entregables en el laboratorio.
- Para superar la parte práctica, la suma ponderada de estos entregables debe ser mayor o igual que 5 (sobre 10), obteniéndose en cada uno de ellos una nota mayor o igual que 5.
- Los entregables con una nota mayor o igual a 5, se guardarán durante todas las convocatorias del curso académico.
- Si un estudiante quisiera subir nota de una parte ya superada o con nota suficiente para promediar, deberá renunciar previamente a la calificación obtenida mediante el envío de un e-mail informativo al profesor responsable.
=================
El artículo 8.6 del Reglamento de Evaluación de Estudiantes (REVA) prevé: "Salvo en el caso de actividades definidas como obligatorias en la guía docente, si el o la estudiante no puede seguir el proceso de evaluación continua por circunstancias sobrevenidas debidamente justificadas, tendrá derecho a realizar una prueba global".
=================
NECESIDADES EDUCATIVAS ESPECIALES
Aquellos estudiantes con discapacidad o necesidades educativas especiales pueden dirigirse al Servicio de Atención a la Diversidad y Voluntariado (ADYV; https://www.um.es/adyv/inicio) 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 R358/2016. El tratamiento de la información sobre este alumnado, en cumplimiento con la LOPD, es de estricta confidencialidad.
================
Objetivos de Desarrollo Sostenible (ODS). 4. "Educación de calidad", en particular con la Meta 4.4 "Aumento de las competencias para acceder al empleo¿.
Autor: Bishop, Christopher M.
Título: Pattern recognition and machine learning
Editorial: Springer
Fecha Publicación: 2006
ISBN: 9780387310732
Autor: Gerón, Aurélien
Título: Hands-on machine learning with scikit-learn and TensorFlow: concepts, tools, and techniques to build intelligent systems
Editorial: O'Reilly Media
Fecha Publicación: 2019
ISBN: 9781492032649
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2021). Dive into deep learning. arXiv preprint arXiv:2106.11342. https://d2l.ai/