Nombre: EXTENSIONES DE MACHINE LEARNING
Código: 525104006
Carácter: Optativa
ECTS: 4.5
Unidad Temporal: Cuatrimestral
Despliegue Temporal: Curso 4º - Primer cuatrimestre
Menciones/Especialidades:
Lengua en la que se imparte: Castellano
Carácter: Presencial
Nombre y apellidos: MENCHÓN LARA, ROSA MARÍA
Área de conocimiento: Teoría de la Señal y Comunicaciones
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 868071166
Correo electrónico: rosamaria.menchon@upct.es
Horario de atención y ubicación durante las tutorias:
Titulaciones:
Doctor en Tecnologías de la Información y Comunicaciones en la Universidad Politécnica de Cartagena (ESPAÑA) - 2015
Máster en Tecnologías de la Información y Comunicaciones en la Universidad Politécnica de Cartagena (ESPAÑA) - 2010
Ingeniero en Telecomunicación en la Universidad Politécnica de Cartagena (ESPAÑA) - 2009
Categoría profesional: Programa Ramón y Cajal
Nº de quinquenios: No procede por el tipo de figura docente
Nº de sexenios: No procede por el tipo de figura docente
Curriculum Vitae: Perfil Completo
Responsable de los grupos: G1
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
[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
[CG3 ]. Capacidad para desarrollar experimentos y para implementar sistemas, infraestructuras, procesos y herramientas con el fin de soportar la manipulación de los datos durante todo el ciclo de vida de estos.
[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.
[CE4 ]. Comprender y usar diferentes métricas de desempeño y precisión para validar modelos en proyectos de analítica, test de hipótesis y recuperación de información.
Dado el carácter avanzado de la asignatura, se podrán proponer nuevos contenidos relacionados con los últimos avances en el campo.
Diseñar, implementar, evaluar y validar algoritmos bio-inspirados para búsqueda, optimización y aprendizaje automático con aplicaciones en ciencia de datos.
Usar múltiples métricas de rendimiento y precisión, seleccione y use las más apropiadas para el tipo específico de aplicación de análisis de datos.
Desarrollar analíticas especializadas para permitir la toma de decisiones.
Evaluar y recomendar las métricas más adecuadas así como proponer nuevas métricas para nuevas aplicaciones.
Diseñar analíticas especializadas para mejorar la toma de decisiones.
Desarrollar soluciones creativas mediante la investigación sistemática o la experimentación para revisar y descubrir conocimientos.
Identificar soluciones no estándar para resolver problemas complejos.
Evaluar varios métodos y predecir qué método puede optimizar la creación de nuevos conocimientos y capacidades.
Recomendar una solución rentable para un problema complejo.
Meta-heurísticas Bioinspiradas en Ciencia de Datos.<br>Algoritmos evolutivos.<br>Colonias de hormigas.<br>Optimización por enjambre de partículas.<br>Búsqueda cuco.<br>Halcones de Harris.<br>Máquinas de aprendizaje extremo (ELM) y profundas (Deep-ELM).<br>Aprendizaje multitarea (MTL) y profundo (Deep-MTL).<br>Aspectos avanzados de las máquinas generativas adversarias (GAN).<br>Funciones de error, mejoras en entrenamiento y convergencia.<br>-Stacking-.<br>Métricas de evaluación.<br>GAN profundas.<br>Aplicaciones.<br><br><br><br>
Bloque 1: Metaheurísticas bio-inspiradas.
Tema 1: Metaheurísticas bio-inspiradas en Ciencia de Datos.
Tema 2: Algoritmos evolutivos.
Tema 3: Optimización por enjambre de partículas.
Tema 4: Halcones de Harris.
Tema 5: Colonias de hormigas.
Bloque 2: Deep learning avanzado.
Tema 6: Aspectos avanzados del deep learning: aprendizaje extremo, compresión de modelos, fine tuning.
Tema 7: Extensiones de máquinas generativas adversarias.
Tema 8: Funciones de pérdida, mejoras en entrenamiento, convergencia y métricas evaluación.
Tema 9: Aplicaciones.
Práctica 1: Metaheurísticas bio-inspiradas para machine learning.
Diseño, implementación, evaluación, comparación y validación de algoritmos bio-inspirados en problemas de machine learning. Relacionado con: Bloque 1.
Práctica 2: Desarrollo de modelos avanzados de deep learning.
Diseño, implementación, evaluación, comparación y validación de modelos avanzados de deep learning. Relacionado con: Bloque 2.
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.
Unit 1: Bio-inspired metaheuristics.
Chapter 1: Bio-inspired metaheuristics in data science.
Chapter 2: Evolutionary algorithms.
Chapter 3: Particle swarm optimization.
Chapter 4: Harris Hawks.
Chapter 5: Ant Colonies.
Unit 2: Advanced deep learning.
Chapter 6: Advanced deep learning topics: extreme learning, model compression, fine tuning.
Chapter 7: Extensions of generative adversarial networks.
Chapter 8: Loss functions, training improvements, convergence and evaluation metrics.
Chapter 9: Applications.
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.
MD1: Actividades de clase expositiva: Exposición teórica, clase magistral, proyección, dirigida al grupo completo de estudiantes, con independencia de que su contenido sea teórico o práctico/aplicado. Junto a la exposición de conocimientos, en las clases se plantean cuestiones, se aclaran dudas, se realizan ejemplificaciones, se establecen relaciones con las diferentes actividades prácticas que se realizan y se orienta la búsqueda de información.
15
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.
MD2: Actividades de clase práctica de aula: Actividades prácticas de ejercicios y resolución de problemas, estudio de casos, aprendizaje orientado a proyectos, exposición y análisis de trabajos, debates, simulaciones, etc. Suponen la realización de tareas por parte de los alumnos, dirigidas y supervisadas por el profesor, con independencia de que en el aula se realicen individualmente o en grupos reducidos.
5
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.
MD4: Actividades prácticas de laboratorio: Actividades de los estudiantes en aulas de informática o específicas, realizadas en grupos reducidos o individualmente, dirigidas al uso y conocimiento de la materia de estudio, supervisadas por el profesor.
15
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.
Trabajo autónomo del alumno.
67.5
0
Tutorías formativas y resolución de dudas: Asistencia individualizada -tutorías individuales- o en grupo -tutorías colectivas- a los estudiantes por parte del profesor.
MD5: Tutorías: Sesiones programadas individuales o en grupo de orientación, revisión o apoyo a los estudiantes por parte del profesor con independencia de que los contenidos sean teóricos o prácticos.
5
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 de evaluación individuales.
5
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 de carácter obligatorio con una valoración máxima de 10 puntos. Consultar en el apartado Observaciones los detalles del sistema de evaluación.
40 %
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.
Proyecto práctico de carácter obligatorio con entrevistas de seguimiento. Valoración máxima de 10 puntos. Se evaluará la calidad técnica y originalidad del trabajo, así como la claridad de la documentación y la presentación del trabajo. Consultar los detalles del sistema de evaluación en el apartado Observaciones.
60 %
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 de carácter obligatorio con una valoración máxima de 10 puntos. Consultar en el apartado Observaciones los detalles del sistema de evaluación.
40 %
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.
Proyecto práctico de carácter obligatorio con entrevistas de seguimiento. Valoración máxima de 10 puntos. Se evaluará la calidad técnica y originalidad del trabajo, así como la claridad de la documentación y la presentación del trabajo. Consultar los detalles del sistema de evaluación en el apartado Observaciones.
60 %
La calificación final será la siguiente: Calificación final = 0.4*SE1 + 0.6*SE4, donde SE1 es la calificación obtenida mediante una prueba de teoría y SE4 es la calificación obtenida en el informe técnico del trabajo de prácticas.
Las pruebas SE1 y SE4 serán valoradas entre 0 y 10 puntos y deberán aprobarse por separado, con nota mayor o igual que 5, para superar la asignatura.
Los estudiantes que no superen la asignatura en la convocatoria de diciembre-enero podrán superar la asignatura en una convocatoria posterior presentándose a las pruebas no superadas en la convocatoria anterior. La calificación de las pruebas superadas en una convocatoria se conservará a las siguientes convocatorias, hasta la convocatoria de junio-julio inclusive.
Se obtendrá la calificación "No presentado" en las convocatorias de diciembre-enero, mayo-junio o junio-julio cuando el estudiante no haya realizado ninguna de las pruebas de evaluación en la convocatoria correspondiente.
USO DE LA IA: Todos los recursos y materiales no originales que se utilicen en los ejercicios evaluables, incluyendo herramientas de Inteligencia Artificial, ayuda de compañeros, recursos de internet, libros, artículos, etc. deberán referenciarse claramente en el código fuente y la documentación asociada a los informes entregados.
Se recuerda 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".
Autor: Prince, Simon J. D.
Título: Understanding deep learning
Editorial: The MIT Press,
Fecha Publicación: 2023
ISBN: 9780262048644
Autor: , , Smola, Alexander J. y otros
Título: Dive into Deep Learning
Editorial: Cambridge University Press,
Fecha Publicación:
ISBN: 9781009389433
Autor: Anthony Brabazon, Michael O¿Neill, Seán McGarraghy
Título: Natural Computing Algorithms
Editorial: Springer
Fecha Publicación: 2015
ISBN:
Autor: Wolfgang Banzhaf, Penousal Machado, Mengjie Zhang
Título: Handbook of Evolutionary Machine Learning. Genetic and Evolutionary Computation
Editorial: Springer
Fecha Publicación: 2024
ISBN:
Autor: Xin-She Yang, Zhihua Cui, Renbin Xiao, Amir Hossein Gandomi, Mehmet Karamanoglu
Título: Swarm Intelligence and Bio-Inspired Computation. Theory and Applications
Editorial: Elsevier
Fecha Publicación: 2013
ISBN:
Autor: Xin-She Yang
Título: Nature-Inspired Computation and Swarm Intelligence, Algorithms, Theory and Applications
Editorial: Elsevier
Fecha Publicación: 2020
ISBN:
Autor: Xin-She Yang
Título: Nature-Inspired Optimization Algorithms
Editorial: Elsevier
Fecha Publicación: 2020
ISBN: