Competències i objectius
Context de l'assignatura per al curs 2026-27
La asignatura está ubicada en el segundo semestre del Máster en Ciencia de Datos. Es de carácter obligatorio ya que en ella se imparten materias centrales en este Máster.
En particular, en Machine Learning se afrontará la resolución de problemas de aprendizaje complejos, que usualmente requieren de un gran volumen de datos de entrenamiento. Por ello nos centraremos en técnicas de "deep learning" (aprendizaje profundo). Un modelo profundo consiste en la optimización de una función objetivo (que mide la discrepancia entre la salida deseada y la obtenida por el modelo mientras se está entrenando). Entre la entrada de los datos y la respuesta se disponen una serie de capas conectadas por pesos cuya configuración afecta a la predicción. Por ello hablaremos de "redes neuronales" y comenzaremos viendo una arquitectura sencilla para entrar de lleno en los problemas asociados al proceso de optimización o SGD (Stochastic Gradient Descent): gestión de los datos (batches), desvanecimiento del gradiente, dropout, etc. Esto nos permitirá realizar un diagnóstico del proceso de aprendizaje de acuerdo con las métricas y estimar el nivel de sobre-aprendizaje. También veremos los retos a nivel de recursos (GPUs) que plantean estos modelos.
Estudiaremos y practicaremos después diversas arquitecturas que son propias de ciertos problemas:
* Redes convolucionales (CNNs), cuando los datos son ordenados (p.e. matriciales) y su escala es constante. Utilizadas frecuentemente en problemas de clasificación y segmentación de imágenes y videos ya que el proceso de optimización selecciona automáticamente las características que mejor van a clasificar o particionar dichas imágenes. Suelen ser modelos supervisados. Ejemplos: AlexNet, VGG, GoogleLeNet, ResNet, YOLO. Compararemos esas arquitecturas. Veremos las soluciones técnicas que se han adoptado (p.e. Tensor Flow)
* Redes para datos no-ordenados (nubes de puntos, secuencias de palabras, grafos) es decir que no se pueden codificar matricialmente con una dimensión fija y de forma que las matrices sean fácilmente comparables). Estos datos surgen en problemas de lenguaje natural o de análisis de redes y la classificación de datos 3D (nos centraremos en dos estos últimos). Ejemplos: PointNet, node2vec, RNNs, LSTMs.
* Redes no-supervisadas.Para aquellos casos en donde no se disponga dey datos de entrenamiento o bien no se requiera de ellos. En este sentido un auto-encoder sirve para extraer características, limpiar el ruido de los datos o embeber los datos en otro dominio donde sean más tratables.
* Otros modelos: redes adversarias, aprendizaje por refuerzo, siamesas. Están relacionadas con otros problemas (p.e. el matching o emparejamiento de datos) o con otras formas de optimización (aprendizaje por refuerzo).
También veremos otros aspectos del aprendizaje: semi-supervisado, transfer-learning, adaptación de dominio. Interpretación matemática de los modelos etc.
Durante la asignatura se realizarán prácticas de la asignatura: Python y librerías (Keras,Tensor Flow, scikit learn), entornos. Propondremos el test y la modificación de ciertas arquitecturas y el análisis de sus beneficios y limitaciones.
Resultats d'aprenentatge / Competències de l'assignatura (verificades per ANECA en graus i màsters oficials) per al curs 2026-27
Habilitats/Destreses
- HAB1 : Saber aplicar els coneixements adquirits per a resoldre problemes reals en entorns nous o multidisciplinaris relacionats amb la seua àrea d'estudi, i que posseïsquen les habilitats d'aprenentatge necessàries per a continuar estudiant de forma autodirigida i autònoma.
- HAB2 : Aplicar els coneixements adquirits en ciència de dades per a resoldre problemes reals, desenvolupant-se eficaçment en contextos multidisciplinaris i internacionals, gestionant la informació i els recursos disponibles, i demostrant competències informàtiques i informacionals pròpies de l'àmbit.
Coneiximents/Continguts
- CON1 : Posseir i comprendre coneixements que permeten l'originalitat en el desenvolupament i aplicació d'idees, en un context d'investigació, integrant sempre les responsabilitats socials, ètiques i legals vinculades a l'aplicació dels coneixements en ciència de dades.
- CON2 : Saber dirigir, projectar, dissenyar, desenvolupar, implantar i mantenir productes, aplicacions i serveis relacionats amb la ciència de dades, assegurant la qualitat del servei i complint la normativa vigent, així com considerant aspectes tècnics, econòmics i d'eficiència.
- CON3 : Saber utilitzar tècniques de la ciència de dades per a obtenir noves relacions i brindar informació sobre problemes d'investigació o processos organitzatius i recolzar la presa de decisions.
- CON4 : Adquirir les habilitats, estratègies i procediments per a saber actuar amb ètica i responsabilitat en la cerca de solucions que fomenten el desenvolupament sostenible, la igualtat de gènere, la no discriminació, la inclusió, la justícia, la pau i l'equitat social.
- CON5 : Conèixer en profunditat i aplicar tecnologies i mètodes d'anàlisis de dades, incloent-hi l'aprenentatge automàtic (supervisat, no supervisat i reforçat), així com tècniques d'anàlisi predictiva, prescriptiu, descriptiu i analítica qualitativa.
- CON6 : Determinar mètriques per a l'avaluació i validació d'anàlisi de dades.
Capacitats/Competències
- CC1 : Ser capaç d'integrar coneixements i formular judicis en contextos complexos amb informació incompleta o limitada, considerant les implicacions socials i ètiques, comunicar de manera clara les seues conclusions i fonaments a públics especialitzats i no especialitzats, i desenvolupar un aprenentatge autodirigit i autònom en temes relacionats amb la ciència de dades.
- CC2 : Ser capaç d'adaptar-se a entorns canviants propis de la ciència de dades, fomentant el treball en equip, la creativitat, la capacitat crítica i l'esperit emprenedor, així com comprenent i aplicant els avanços tecnicocientífics de la disciplina.
- CC3 : Ser capaç d'utilitzar principis d'enginyeria i tecnologies informàtiques modernes per a investigar, dissenyar, implementar i desenvolupar experiments, processos, instruments, sistemes i infraestructures al llarg de tot el cicle de vida de les dades en ciència de dades.
- CC4 : Ser capaç de liderar projectes i equips de treball en Ciència de Dades, reunint competències efectives en comunicació oral i escrita.
- CC5 : Adoptar valors de sostenibilitat i equitat social, donant suport a la igualtat de dones i homes, l'eliminació de tota pràctica discriminatòria, la inclusió social, la justícia, la pau i els principis i valors democràtics i dels drets humans.
- CC6 : Aconseguir una comprensió crítica de la complexitat dels reptes i problemes socioambientals, incloses les arrels de les desigualtats de gènere, de les situacions de discriminació i exclusió social, de les amenaces a la pau i a la consecució dels drets humans, així com dels desafiaments mediambientals.
- CC9 : Dissenyar i utilitzar sistemes per a la recopilació de dades (passiva i activa) orientats a la prova d'hipòtesi i resolució de problemes, així com emprar mètriques i tècniques per a la validació i comparació d'algorismes d'aprenentatge automàtic.
Resultats d'aprenentatge (Objectius formatius)
- Maneig de les tècniques de machine learning profund (Deep Learning): classificació, regressió, clustering, segmentació.
- Maneig de les tècniques de machine learning supervisat, no-supervisat, semi-supervisat.
- Maneig de les tècniques per a la validació i comparació de models de machine learning.
Objectius específics indicats pel professorat per al curs 2026-27
Manejo de las técnicas de machine learning profundo (Deep Learning): clasificación, regresión, clustering, segmentación.
Manejo de las técnicas de machine learning supervisado, no-supervisado, semi-supervisado.
Manejo de las técnicas para la validación y comparación de modelos de machine learning.
Dades generals
Codi:
43457
Professor/a responsable:
Escolano Ruiz, Francisco Javier
Crèdits ECTS:
6,00
Crèdits teòrics:
1,20
Crèdits pràctics:
1,20
Càrrega no presencial:
3,60
Departaments amb docència
-
Dep.:
Llenguatges i Sistemes Informàtics
Àrea: Llenguatges i Sistemes Informàtics
Crèdits teòrics: 0
Crèdits pràctics: 0,6 -
Dep.:
Ciència de la Computació i Intel·ligència Artificial
Àrea: Ciència de la Computació, Intel·ligència Artificial
Crèdits teòrics: 1,2
Crèdits pràctics: 0,6
Aquest departament és responsable de l'assignatura.
Aquest dep. és responsable de l'acta.
Estudis en què s'imparteix
-
MÀSTER UNIVERSITARI EN CIÈNCIA DE DADES
Tipus d'assignatura: OBLIGATÒRIA (Curs: 1)

