Director
D. Sergio Luis Toral Marín
(Ingeniería Electrónica)
Unidad Promotora
Escuela Técnica Superior de Ingeniería
Impartición
Del 13/09/2017 al 27/10/2017
Modalidad
Presencial
Idioma de impartición
Español
Preinscripción
Del 01/05/2017 al 20/08/2017
Matrícula
Del 01/08/2017 al 20/08/2017
Objetivos
<p><p>1. Proporcionar una introducción al lenguaje de programación Python y a sus principales módulos (Numpy, Matplotlib, Pandas y Scipy)<br />2. Introducir desde un perspectiva teórico-práctica técnicas de machine learning de regresión, clasificación y clustering, utilizando el módulo scikit-learn en Python<br />3. Introducir desde una perspectiva teórico-práctica técnicas de optimización metaheurísticas basadas en trayectoria y en población, utilizando el módulo DEAP en Python<br />4. Aplicaciones comerciales</p><br /></p>
Competencias
- Capacidad de resolver problemas con iniciativa, toma de decisiones, creatividad, y de comunicar y transmitir conocimientos, habilidades y destrezas
- Capacidad para reconocer cuándo se necesita información, dónde localizarla, cómo evaluar su idoneidad y darle el uso adecuado de acuerdo con el problema que se plantea
- Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares)
- Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo
Procedimiento de evaluación
Asistencia, Pruebas, Trabajos
Requisitos
Requisitos específicos de admisión a los estudios
- Graduados y alumnos de Máster y Doctorado; así como, personas interesadas con conocimientos previos de programación (no es necesario en Python).
Módulos / Asignaturas
Modalidad de impartición: Presencial
Fechas de inicio-fin: 13/09/2017 - 21/09/2017
Horario: en Tarde
Contenido
Conceptos básicos de programación en Python: variables, operaciones, control de flujo, funciones, excepciones. Creación de scripts y módulos en Python. Programación orientada a objetos. Manejo de ficheros.
Módulo numpy: vectores y matrices en numpy. Operaciones matemáticas con vectores. Conversión de datos de ficheros en vectores. Funciones universales. Vectores Vs listas en Python.
Módulo matplotlib: creación de gráficas en Python. Diagrama de dispersión, diagrama de barras, diagramas de barras con errores, diagrama de bigotes. Gráficas con múltiples subgráficas.
Módulo panda: concepto de dataframe, manejo de dataframes, conversión de datos proveniente de archivos en dataframes.
Módulo Scipy: ejemplos de uso de algoritmos incluidos en la librería científica Scipy.
Otros: envío de correos en Python y manejo de redes sociales.
Modalidad de impartición: Presencial
Fechas de inicio-fin: 22/09/2017 - 04/10/2017
Horario: en Tarde
Contenido
Regresiones: Regresión lineal simple y múltiple, errores en la estimación y overfitting, regresión Ridge y Lasso, aproximaciones no paramétricas.
Clasificadores: Introducción, clasificadores lineales (regresión logística), overfitting, árboles de decisión, ensamble de clasificadores (boosting), métricas de clasificación, aproximaciones Big Data.
Clustering y recuperación de información: Nearest Neighbour y k-means
Modalidad de impartición: Presencial
Fechas de inicio-fin: 05/10/2017 - 18/10/2017
Horario: en Tarde
Contenido
Introducción a los métodos de optimización meta heurísticos: Métodos de búsqueda local basados en trayectorias tales como Hill Climbing, Simulated Annealing, Tabú Search. Métodos de búsqueda global basados en poblaciones tales como Algoritmos Genéticos (uno o varios objetivos), Algoritmos Genéticos con múltiples poblaciones, Algoritmos basados en enjambre (Particel Swarm Optimization PSO). Programación genética.
Introducción al módulo de optimización DEAP: Optimización de problemas combinatorios (Problema del viajero). Optimización de problemas con variables continuas. Optimización multi-objetivo (NSGA II). Optimización de problemas con variables continuas con PSO. Ejemplos de programación genética (regresión simbólica).
Modelado de un problema desde cero: Se plantea un ejercicio completo a resolver utilizando los métodos de optimización visto en este módulo.
Modalidad de impartición: Presencial
Fechas de inicio-fin: 19/10/2017 - 27/10/2017
Horario: en Tarde
Contenido
Procesamiento de imágenes de satélite con técnicas de Machine Learning.
Supervised machine learning: K-Clustering aplicado a la clasificación de patrones urbanos.
Location science: optimización por programación lineal de una red de distribución.
Spatial modelling: búsqueda de ubicaciones óptimas de infraestructuras.
Profesorado
Personal Académico
- D. Daniel Gutiérrez Reina - Ingeniero
- D. Juan Pedro Pérez Alcántara . Universidad de Sevilla - Geografía Física y Análisis Geográfico Regional
- D. Sergio Luis Toral Marín . Universidad de Sevilla - Ingeniería Electrónica
Profesorado
- D. Daniel Gutiérrez Reina - Ingeniero
- D. Juan Pedro Pérez Alcántara . Universidad de Sevilla - Geografía Física y Análisis Geográfico Regional
- D. Sergio Luis Toral Marín . Universidad de Sevilla - Ingeniería Electrónica