Nombre: MACHINE LEARNING II
Código: 525103002
Carácter: Obligatoria
ECTS: 6
Unidad Temporal: Cuatrimestral
Despliegue Temporal: Curso 3º - Primer cuatrimestre
Menciones/Especialidades:
Lengua en la que se imparte: Castellano
Carácter: Presencial
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:
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 3
Nº de sexenios: 3 de investigación
Curriculum Vitae: Perfil Completo
Nombre y apellidos: LOZANO GUERRERO, ANTONIO JOSÉ
Área de conocimiento: Teoría de la Señal y Comunicaciones
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 968326468
Correo electrónico: antonio.lozano@upct.es
Horario de atención y ubicación durante las tutorias:
miércoles - 16:00 / 19:00
ANTIGONES, planta 1, Despacho 27
Concertar cita previa por email.
jueves - 09:00 / 12:00
ANTIGONES, planta 1, Despacho 27
Concertar cita previa mediante email.
Titulaciones:
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 4
Nº de sexenios: 3 de investigación
Curriculum Vitae: Perfil Completo
[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
[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.
[CE2 ]. Desarrollar programas orientados al análisis de datos, usando las estructuras de datos, algoritmos y herramientas de programación adecuadas.
[CE4 ]. Comprender y usar diferentes métricas de desempeño y precisión para validar modelos en proyectos de analítica, test de hipótesis y recuperación de información.
[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.
Utilizar herramientas para manejo de datos complejos.
Analizar fuentes de datos disponibles y desarrollar herramientas que funcionen con conjuntos de datos complejos.
Desarrollar analíticas especializadas para permitir la toma de decisiones.
Usar múltiples métricas de rendimiento y precisión, seleccione y use las más apropiadas para el tipo específico de aplicación de análisis de datos.
Soft-computing y razonamiento aproximado. Razonamiento probabilista. Método probabilístico clásico. K-NN y ventanas de Parzen. Redes Bayesianas. Datos secuenciales. Modelos de Markov y modelos ocultos de Markov. Algoritmos genéticos y técnicas evolutivas en ML. Procesado de datos con valores perdidos. Imputación. Evaluación de prestaciones y calidad. Conjuntos desequilibrados. Aprendizaje multitarea.
1. Razonamiento probabilista y redes bayesianas
2. Datos secuenciales y modelos de Markov
3. Razonamiento fuzzy
4. Algoritmos genéticos
5. Procesado de datos y evaluación de modelos
1. Razonamiento probabilista y redes bayesianas
2. Modelos de Markov
3. Sistema de inferencia fuzzy
4. Algoritmo genético
5. Preprocesamiento de datos y evaluación de modelos
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.
1. Probabilistic reasoning and bayesian networks
2. Sequential data and Markov models
3. Fuzzy reasoning
4. Genetic algorithms
5. Data processing and model evaluation
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 de los contenidos teóricos de la asignatura por parte del profesor.
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.
Planteamiento y resolución de ejercicios y casos prácticos en el aula.
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.
Simulaciones y/o prácticas con ordenadores, desarrolladas por parejas o individualmente.
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.
Estudio y preparación de contenidos teórico-prácticos, trabajo individual consistente en lecturas, sistematización de contenidos, y/o elaboración de informes.
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 individualizada o en grupo, de forma presencial o en la modalidad de videollamada.
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.
Pruebas individuales escritas y/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.
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.
Prueba de evaluación global de carácter obligatorio consistente en un examen que evalúe los contenidos teóricos de la materia. El examen consistirá en preguntas mixtas de desarrollo corto y/o tipo test, preguntas de demostración de relaciones entre conceptos/propiedades, y ejercicios.
70 %
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.
Se evalúan los entregables solicitados en cada práctica (informes, código fuente, etc). La nota global del trabajo práctico de laboratorio se calculará como el promedio ponderado de las notas de todos los entregables.
30 %
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.
Prueba de evaluación global de carácter obligatorio consistente en un examen que evalúe los contenidos teóricos de la materia. El examen consistirá en preguntas mixtas de desarrollo corto y/o tipo test, preguntas de demostración de relaciones entre conceptos/propiedades, y ejercicios.
70 %
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.
Se evalúan los entregables solicitados en cada práctica (informes, código fuente, etc). La nota global del trabajo práctico de laboratorio se calculará como el promedio ponderado de las notas de todos los entregables.
30 %
Autor: Palma Méndez, José Tomás, Marín Morales, Roque
Título: Inteligencia artificial métodos, técnicas y aplicaciones
Editorial: McGraw-Hill
Fecha Publicación: 2008
ISBN: 9788448156183
Autor: Mitchell, Tom M.
Título: Machine learning
Editorial: The McGraw-Hill Companies, Inc.,
Fecha Publicación: 1997
ISBN: 9780070428072
Autor: Russell, Stuart
Título: Artificial Intelligence: a modern approach
Editorial: Pearson
Fecha Publicación: 2021
ISBN: 9781292401133
Autor: Alpaydin, Ethem
Título: Introduction to machine learning
Editorial: The MIT Press,
Fecha Publicación: 2004
ISBN: 0262012111