Tratamiento Estadístico Computacional de la Información (conjunto con UPM)
Master's Programme. Academic Year 2024/2025.
REDES NEURONALES - 607580
Curso Académico 2024-25
Datos Generales
- Plan de estudios: 063U - MÁSTER UNIVERSITARIO EN TRATAMIENTO ESTADÍSTICO COMPUTACIONAL DE LA INFORMA (2013-14)
- Carácter: OBLIGATORIA
- ECTS: 3.0
SINOPSIS
COMPETENCIAS
Generales
CG1 - Aprender a aplicar los conocimientos adquiridos y a explotar su potencial para la resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) en el tratamiento estadístico-computacional de la información.
CG2 - Elaborar adecuadamente y con originalidad argumentos motivados y proyectos de trabajo, redactar planes, así como formular hipótesis y conjeturas razonables en su área de especialización.
CG3 - Integrar los conocimientos adecuados y enfrentarse a la complejidad de emitir juicios en función de criterios, de normas externas o de reflexiones personales justificadas.
CG4 - Comunicar y presentar públicamente ideas, procedimientos o informes de investigación, así como asesorar a personas u organizaciones en el tratamiento estadístico-computacional de la información. La presentación de estas ideas debe transmitir de forma clara y precisa las conclusiones de forma que sean entendidas tanto por el especialista como por el profano en temas estadístico-computacionales.
CG5 - Comprender y utilizar el lenguaje y las herramientas matemáticas para modelizar y resolver problemas complejos, reconociendo y valorando las situaciones y problemas susceptibles de ser tratados matemáticamente.
CG6 - Conocer los modelos, métodos y técnicas relevantes en distintas áreas de aplicación de la estadística matemática participando en la creación de nuevas tecnologías que contribuyan al desarrollo de la Sociedad de la Información.
CG7 - Saber abstraer en un modelo matemático las propiedades y características esenciales de un problema real reconociendo su rango de aplicabilidad y limitaciones.
Transversales
CT1 - Saber aplicar sus conocimientos a su trabajo o vocación de una forma profesional y poseer las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y en la resolución de problemas y estudio de casos. Esto implica, más concretamente: Integrar creativamente conocimientos y aplicarlos a la resolución de problemas complejos, perseguir objetivos de calidad en el desarrollo de su actividad profesional, adquirir capacidad para la toma de decisiones y de dirección de recursos humanos, ser capaz de mostrar creatividad, iniciativa y espíritu emprendedor para afrontar los retos de su actividad, valorar la importancia de los métodos estadístico-computacionales en el contexto industrial, económico, administrativo, medio ambiental y social.
CT2 - Tener la capacidad de reunir e interpretar datos relevantes para emitir juicios que incluyan una reflexión sobre temas relevantes de índole científica, tecnológica y empresarial. Demostrar razonamiento crítico y gestionar información científica y técnica de calidad, bibliografía, bases de datos especializadas y recursos accesibles a través de Internet.
Específicas
CE2 - Capacidad para planificar la resolución de un problema en función de las herramientas de que se disponga y, en su caso, de las restricciones de tiempo y recursos.
CE3 - Capacidad para utilizar aplicaciones informáticas estadísticas, de cálculo numérico y simbólico, visualización gráfica, optimización u otras para resolver problemas con un elevado grado de complejidad.
CE4 - Desarrollar habilidades de aprendizaje en Estadística Computacional y Matemáticas, así como en sus respectivas aplicaciones, que permitan al alumno continuar estudiando y profundizando en la materia de modo autónomo, así como el desarrollo profesional con un alto grado de independencia.
CE5 - Resolver problemas y casos reales planteados en el tratamiento estadístico-computacional de la información generada en los ámbitos de la ciencia, la tecnología y la sociedad mediante habilidades de modelización matemática, estimación y computación.
CE6 - Desarrollar programas que resuelvan problemas matemáticos utilizando para cada caso el entorno computacional adecuado.
CE7 - Capacidad de utilización de herramientas de búsqueda de recursos bibliográficos así como manejo, gestión y análisis de grandes bases de datos.
ACTIVIDADES DOCENTES
Clases teóricas
Método expositivo.
Clases prácticas
Estudio de casos.
Laboratorios
Prácticas de ordenador.
Presenciales
No presenciales
Semestre
Breve descriptor:
Se presentan diferentes tipos de problemas (definidos según los objetivos planteados y los recursos disponibles) que se pueden abordar mediante técnicas de aprendizaje estadístico. Partiendo de los fundamentos de la dinámica de sistemas, la teoría de la optimización y la inferencia estadística, se implementan diferentes máquinas de aprendizaje, basadas en modelos neuronales básicos, que proporcionan soluciones a los problemas de aprendizaje estadístico. A continuación, se estudian y caracterizan los modelos más empleados para abordar los diferentes tipos de problemas. Finalmente, se ilustra su utilidad mediante la resolución de algunos problemas prácticos.
Objetivos
- Conocer los fundamentos matemáticos necesarios para contextualizar los modelos neuronales dentro del procesamiento de información y el aprendizaje estadístico.
- Tener la capacidad de emplear las herramientas matemáticas y el marco formal en el estudio de la funcionalidad de las arquitecturas neuronales.
- Ser capaz de determinar los ingredientes de un problema para diseñar la arquitectura que mejor se adecúa a su resolución.
- Resolver problemas colaborando con compañeros y exponer los resultados.
- Usar herramientas de software (R, Octave...) para la simulación de modelos neuronales.
- Tener la capacidad de emplear los métodos y modelos aprendidos en futura actividad investigadora.
Contenido
1. Introducción: tipos de problemas, aprendizaje automático y aprendizaje estadístico, redes neuronales artificiales.
2. Fundamentos matemáticos: dinámica de sistemas, teoría de optimización, inferencia estadística y teoría de regresión (lineal y logística).
3. Aprendizaje supervisado: regresión y clasificación, modelos neuronales (y otros) para su implementación.
4. Aprendizaje no supervisado: modelos neuronales para su implementación.
5. Modelos alternativos/avanzados: modelos gráficos, máquinas de Boltzmann, arquitecturas profundas, etc.
6. Otros tipos de problemas y posibles soluciones: aprendizaje en entornos dinámicos, aprendizaje por refuerzo, aprendizaje semi-supervisado, inferencia causal, etc..
7. Aplicaciones prácticas: tratamiento de señal, optimización de funciones tipo caja negra, predicción en series temporales, diagnóstico de fallos, control de sistemas y análisis de redes complejas.
Evaluación
(70%) Entrega de trabajos
(25%) Examen teórico-práctico
( 5%) Asistencia y participación activa
En caso de renuncia a la evaluación progresiva o de convocatoria extraordinaria, la evaluación se compondrá de entrega de trabajos (70%) y un examen teórico-práctico (30%).
Bibliografía
E. ALPAYDIN (2020). Introduction to Machine Learning. Cambridge, MA: MIT Press.
C.M. BISHOP (2006). Pattern Recognition and Machine Learning. New York, NY: Springer-Verlag.
F. CUCKER & D.X. ZHOU (2007). Learning Theory: An Approximation Theory Viewpoint. New York, NY: Cambridge University Press.
M.P. DEISENROTH, A.A. FAISAL & C.S. ONG (2020). Mathematics for Machine Learning. New York, NY: Cambridge University Press.
C. FERNÁNDEZ, F.J. VÁZQUEZ & J.M. VEGAS (2003). Ecuaciones Diferenciales y en Diferencias: Sistemas Dinámicos. Madrid: Thomson Ediciones.
I. GOODFELLOW, Y. BENGIO & A. COURVILLE (2016). Deep Learning. Cambridge, MA: MIT Press.
S.S. HAYKIN (2011). Neural Networks and Learning Machines. Upper Saddle River, NJ: Pearson Prentice Hall.
R. HERBRICH (2002). Learning Kernel Classifiers: Theory and Algorithms. Cambridge, MA: MIT Press.
G. JAMES, D. WITTEN, T. HASTIE & R. TIBSHIRANI (2013). An Introduction to Statistical Learning: With Applications in R. New York, NY: Springer-Verlag.
T. KOHONEN (2000). Self-Organizing Maps. Berlin, Heidelberg: Springer-Verlag.
Q. MARTÍN & Y.R. PAZ (2007). Aplicación de las Redes Neuronales Artificiales a la Regresión. Madrid: La Muralla.
T.M. MITCHELL (1997). Machine Learning. New York, NY: McGraw-Hill.
J. PEARL (2016). Causal Inference in Statistics: A Primer. Chichester: Wiley.
V.N. VAPNIK (2000). The Nature of Statistical Learning Theory. New York, NY: Springer-Verlag.
M. VIDYASAGAR (1993). Nonlinear Systems Analysis. Upper Saddle River, NJ: Pearson Prentice Hall.
M. VIDYASAGAR (2003). Learning and Generalisation: With Applications to Neural Networks. London: Springer-Verlag.
Otra información relevante
Profesor:
Nombre: Pedro José Zufiria Zatarain
Despacho: A-306, ETSI en Telecomunicación, UPM
E-mail: pedro.zufiria@upm.es
Estructura
| Módulos | Materias |
|---|---|
| No existen datos de módulos o materias para esta asignatura. | |
Grupos
| Clases teóricas y/o prácticas | ||||
|---|---|---|---|---|
| Grupo | Periodos | Horarios | Aula | Profesor |
| Grupo único | 10/12/2024 - 20/02/2025 | MARTES 19:30 - 21:00 | - | JORGE GONZALEZ ORTEGA |
| JUEVES 18:00 - 19:30 | - | JORGE GONZALEZ ORTEGA | ||