Última actualización: 17/04/2024


Curso Académico: 2024/2025

Modelado de Datos
(19280)
Máster Universitario en Aprendizaje Automático para la Salud (Plan: 480 - Estudio: 359)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: ARTES RODRIGUEZ, ANTONIO

Departamento asignado a la asignatura: Departamento de Teoría de la Señal y Comunicaciones

Tipo: Optativa
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Álgebra Lineal. Cálculo en varias variables. Estadística. Introducción a Aprendizaje automático (o equivalente)
Objetivos
El curso proporciona una introducción a los conceptos básicos del aprendizaje automático desde una perspectiva probabilística. El objetivo es permitir al alumno desarrollar la capacidad de diseñar modelos y métodos de inferencia y aprendizaje en un entorno bayesiano. El curso comienza con una revisión de probabilidad, matemáticas y optimización, seguida de una discusión de los modelos probabilísticos más comunes para datos discretos y continuos y luego modelos y métodos para secuencias. A continuación se presentan las principales técnicas de inferencia exacta y aproximada utilizando una representación basada en modelos gráficos, incluyendo, entre otros, los métodos MCMC y los métodos de inferencia variacional. El curso finaliza con la aplicación de lo anterior a modelos generativos profundos.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción al aprendizaje automático probabilístico. 2. Modelos para datos discretos y continuos. 3. Modelos markovianos y de espacio de estados. 4. Modelos gráficos. Inferencia exacta y aproximada en modelos gráficos. 5. Modelos generativos profundos
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS AF3 Clases prácticas teóricas AF4 Prácticas de laboratorio AF5 Tutorias AF6 Trabajo en equipo AF7 Trabajo individual del alumno AF8 Examenes parciales y finales METODOLOGÍA MD1: Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. MD2: Lectura crítica de textos recomendados por el profesor de la asignatura MD3: Resolución de casos prácticos, problemas, etc.... planteados por el profesor de manera individual o en grupo MD4: Exposición y discusión en clase, bajo la moderación del profesor de temas relacionados con el contenido de la materia, así como de casos prácticos MD5: Elaboración de trabajos e informes de manera individual o en grupo REGIMEN DE TUTORIAS Se establecerán 2 horas a la semana de tutorias para los alumnos donde el profesor estará disponible en su despacho.
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100

Calendario de Evaluación Continua


Bibliografía básica
  • Andrew Gelman et al.. Bayesian Data Analysis. CRC Press. 2013
  • Christopher M Bishop . Patter Recognition and Machine Learning. Springer. 2006
  • David JC Mackay. Information Theory, Inference and Learning Algorithms. Cambridge University Press. 2006
  • Kevin P Murphy. Machine Learning. A Probabilistic Perspective. MIT Press. 2003
  • Marc Peter Deisenroth, A. Aldo Faisal, Cheng Soon Ong. Mathematics for Machine Learning. Cambridge University Press. 2019

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.