Competencies and objectives

 

Course context for academic year 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. 

 

 

Learning outcomes / Course competencies (verified by ANECA in official undergraduate and Master’s degrees) for academic year 2026-27

Skills/Skills

  • HAB1 : Know how to apply the knowledge acquired to solve real problems in new or multidisciplinary environments related to their area of study, and possess the necessary learning skills to continue studying in a self-directed and autonomous manner.
  • HAB2 : Apply the knowledge acquired in data science to solve real problems, developing effectively in multidisciplinary and international contexts, managing available information and resources, and demonstrating computer and information skills specific to the field.

 

Conocimientos/Contenidos

  • CON1 : To possess and understand the knowledge that enables originality in the development and application of ideas within a research context, always integrating the social, ethical and legal responsibilities associated with the application of knowledge in data science.
  • CON2 : To be able to manage, plan, design, develop, implement and maintain products, applications and services related to data science, ensuring service quality and complying with current regulations, as well as taking into account technical, economic and efficiency aspects.
  • CON3 : To use data science techniques to uncover new relationships and provide insights into research problems or organisational processes, and to support decision-making
  • CON4 : Acquire the skills, strategies, and procedures to act ethically and responsibly in the search for solutions that promote sustainable development, gender equality, non-discrimination, inclusion, justice, peace, and social equity.
  • CON5 : In-depth knowledge and application of data analysis technologies and methods, including machine learning (supervised, unsupervised and reinforced), as well as predictive, prescriptive, descriptive and qualitative analytical techniques.
  • CON6 : Determine metrics for the evaluation and validation of data analysis.

 

Skills/Competences

  • CC1 : Be able to integrate knowledge and make judgements in complex contexts with incomplete or limited information, considering social and ethical implications, clearly communicate conclusions and reasoning to specialist and non-specialist audiences, and develop self-directed and autonomous learning in topics related to data science
  • CC2 : Being able to adapt to the changing environments typical of data science, promoting teamwork, creativity, critical thinking and entrepreneurial spirit, as well as understanding and applying the technical and scientific advances of the discipline.
  • CC3 : Be able to use engineering principles and modern computer technologies to research, design, implement, and develop experiments, processes, instruments, systems, and infrastructures throughout the entire data lifecycle in data science.
  • CC4 : Be able to lead projects and teams in Data Science, combining effective oral and written communication skills.
  • CC5 : Adopt values of sustainability and social equity, supporting equality between women and men, the elimination of all discriminatory practices, social inclusion, justice, peace, and democratic and human rights principles and values.
  • CC6 : Achieve a critical understanding of the complexity of socio-environmental challenges and problems, including the roots of gender inequalities, situations of discrimination and social exclusion, threats to peace and the achievement of human rights, as well as environmental challenges.
  • CC9 : Design and use systems for data collection (passive and active) aimed at testing hypotheses and solving problems, as well as employing metrics and techniques for validating and comparing machine learning algorithms.

 

 

 

Learning outcomes (Training objectives)

No data

 

 

Specific objectives stated by the academic staff for academic year 2026-27

No data

 

 

General

Code: 43457
Lecturer responsible:
Escolano Ruiz, Francisco Javier
Credits ECTS: 6,00
Theoretical credits: 1,20
Practical credits: 1,20
Distance-base hours: 3,60

Departments involved

  • Dept: Software and Computing Systems
    Area: Languages and Computing Systems
    Theoretical credits: 0
    Practical credits: 0,6
  • Dept: Computer Science and Artificial Intelligence
    Area: Science of the Computation, Artificial Intelligence
    Theoretical credits: 1,2
    Practical credits: 0,6
    This Dept. is responsible for the course.
    This Dept. is responsible for the final mark record.

Study programmes where this course is taught