Competencias y objetivos

 

Contexto de la asignatura para el curso 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. 

 

 

Resultados de aprendizaje / Competencias de la asignatura (verificadas por ANECA en grados y másteres oficiales) para el curso 2026-27

Habilidades/ Destrezas

  • HAB1 : Saber aplicar los conocimientos adquiridos para resolver problemas reales en entornos nuevos o multidisciplinares relacionados con su área de estudio, y que posean las habilidades de aprendizaje necesarias para continuar estudiando de forma autodirigida y autónoma.
  • HAB2 : Aplicar los conocimientos adquiridos en ciencia de datos para resolver problemas reales, desarrollándose eficazmente en contextos multidisciplinares e internacionales, gestionando la información y los recursos disponibles, y demostrando competencias informáticas e informacionales propias del ámbito.

 

Conocimientos/Contenidos

  • CON1 : Poseer y comprender conocimientos que permitan la originalidad en el desarrollo y aplicación de ideas, en un contexto de investigación, integrando siempre las responsabilidades sociales, éticas y legales vinculadas a la aplicación de los conocimientos en ciencia de datos.
  • CON2 : Saber dirigir, proyectar, diseñar, desarrollar, implantar y mantener productos, aplicaciones y servicios relacionados con la ciencia de datos, asegurando la calidad del servicio y cumpliendo la normativa vigente, así como considerando aspectos técnicos, económicos y de eficiencia.
  • CON3 : Saber utilizar técnicas de la ciencia de datos para obtener nuevas relaciones y brindar información sobre problemas de investigación o procesos organizativos y respaldar la toma de decisiones.
  • CON4 : Adquirir las habilidades, estrategias y procedimientos para saber actuar con ética y responsabilidad en la búsqueda de soluciones que fomenten el desarrollo sostenible, la igualdad de género, la no discriminación, la inclusión, la justicia, la paz y la equidad social.
  • CON5 : Conocer en profundidad y aplicar tecnologías y métodos de análisis de datos, incluyendo el aprendizaje automático (supervisado, no supervisado y reforzado), así como técnicas de análisis predictivo, prescriptivo, descriptivo y analítica cualitativa.
  • CON6 : Determinar métricas para la evaluación y validación de análisis de datos.

 

Capacidades/Competencias

  • CC1 : Ser capaz de integrar conocimientos y formular juicios en contextos complejos con información incompleta o limitada, considerando las implicaciones sociales y éticas, comunicar de forma clara sus conclusiones y fundamentos a públicos especializados y no especializados, y desarrollar un aprendizaje autodirigido y autónomo en temas relacionados con la ciencia de datos.
  • CC2 : Ser capaz de adaptarse a entornos cambiantes propios de la ciencia de datos, fomentando el trabajo en equipo, la creatividad, la capacidad crítica y el espíritu emprendedor, así como comprendiendo y aplicando los avances técnico-científicos de la disciplina.
  • CC3 : Ser capaz de utilizar principios de ingeniería y tecnologías informáticas modernas para investigar, diseñar, implementar y desarrollar experimentos, procesos, instrumentos, sistemas e infraestructuras a lo largo de todo el ciclo de vida de los datos en ciencia de datos.
  • CC4 : Ser capaz de liderar proyectos y equipos de trabajo en Ciencia de Datos, reuniendo competencias efectivas en comunicación oral y escrita.
  • CC5 : Adoptar valores de sostenibilidad y equidad social, apoyando la igualdad de mujeres y hombres, la eliminación de toda práctica discriminatoria, la inclusión social, la justicia, la paz y los principios y valores democráticos y de los derechos humanos.
  • CC6 : Alcanzar una comprensión crítica de la complejidad de los retos y problemas socioambientales, incluidas las raíces de las desigualdades de género, de las situaciones de discriminación y exclusión social, de las amenazas a la paz y a la consecución de los derechos humanos, así como de los desafíos medioambientales.
  • CC9 : Diseñar y utilizar sistemas para la recopilación de datos (pasiva y activa) orientados a la prueba de hipótesis y resolución de problemas, así como emplear métricas y técnicas para la validación y comparación de algoritmos de aprendizaje automático.

 

 

 

Resultados de aprendizaje (Objetivos formativos)

 

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.
  • 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.

 

 

 

Objetivos específicos indicados por el profesorado para el curso 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.

 

 

Datos generales

Código: 43457
Profesor/a responsable:
Escolano Ruiz, Francisco Javier
Crdts. ECTS: 6,00
Créditos teóricos: 1,20
Créditos prácticos: 1,20
Carga no presencial: 3,60

Departamentos con docencia

  • Dep.: Lenguajes y Sistemas Informáticos
    Área: Lenguajes y Sistemas Informáticos
    Créditos teóricos: 0
    Créditos prácticos: 0,6
  • Dep.: Ciencia de la Computación e Inteligencia Artificial
    Área: Ciencia de la Computación, Inteligencia Artificial
    Créditos teóricos: 1,2
    Créditos prácticos: 0,6
    Este dep. es responsable de la asignatura.
    Este dep. es responsable del acta.

Estudios en los que se imparte