• English
  • Youtube
  • Facebook
  • Twitter
  • Linkedin
  • Instagram
  • tiktok

Tratamiento Estadístico Computacional de la Información (conjunto con UPM)

Máster. Curso 2024/2025.

REDES NEURONALES - 607580

Curso Académico 2024-25

Datos Generales

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

1,35

No presenciales

1,55

Semestre

2

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

MódulosMaterias
No existen datos de módulos o materias para esta asignatura.

Grupos

Clases teóricas y/o prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo único10/12/2024 - 20/02/2025MARTES 19:30 - 21:00-JORGE GONZALEZ ORTEGA
JUEVES 18:00 - 19:30-JORGE GONZALEZ ORTEGA