Director
D. Sergio Luis Toral Marín
(Ingeniería Electrónica)
Unidad Promotora
Escuela Técnica Superior de Ingeniería
Impartición
Del 20/11/2024 al 30/01/2025
Modalidad
Presencial
Idioma de impartición
Español
Lugar de impartición
Aulas del centro
Preinscripción
Del 01/09/2024 al 31/10/2024
Matrícula
Del 21/10/2024 al 31/10/2024
Objetivos
<p>1. Proporcionar una introducción al lenguaje de programación Python y a sus principales módulos (Numpy, Scipy y Matplotlib). 2. Introducir desde un perspectiva teórico-práctica técnicas de machine learning de regresión, clasificación y clustering, utilizando el módulo scikit-learn en Python. 3. Introducir desde un perspectiva teórico-práctica técnicas de optimización metaheurísticas basadas en trayectoria y en población, utilizando el módulo DEAP en Python. 4. Introducir desde un perspectiva teórico-práctica técnicas de deep learning, incluyendo las Fully Connected Networks, Convolutional Neural etworks (CNNs) y Recurrent Neural Networks (RNNs). 5. Introducción al aprendizaje por refuerzo y el aprendizaje por refuerzo profundo. 6. Aplicaciones comerciales.</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
- Cualquier persona interesada con conocimientos previos de programación (no es necesario en Python).
Criterios de selección de alumnos
- Orden de Preinscripción.
Módulos / Asignaturas
Modalidad de impartición: Presencial
Fechas de inicio-fin: 20/11/2024 - 28/11/2024
Horario: Miércoles Tarde, Jueves Tarde, Viernes Tarde
Contenido
(Horario: de 16:30 a 20:30 horas)
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 pandas: 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.
Modalidad de impartición: Presencial
Fechas de inicio-fin: 29/11/2024 - 11/12/2024
Horario: Miércoles Tarde, Jueves Tarde, Viernes Tarde
Contenido
(Horario: de 16:30 a 20:30 horas)
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: k-means
Modalidad de impartición: Presencial
Fechas de inicio-fin: 12/12/2024 - 19/12/2024
Horario: Miércoles Tarde, Jueves Tarde, Viernes Tarde
Contenido
(Horario: de 16:30 a 20:30 horas)
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.
Introducción aprendizaje por refuerzo (Reinforcement Learning). Conceptos básicos de aprendizaje por refuerzo: Procesos de decisión de Markov, ecuaciones de Bellman, valor de estados, valor de estado acción, etc. Algoritmos Policy Iteration y Value Iteration. Introducción a Gym. Aprendizaje por diferencia temporal: Q-learning y SARSA. Ejemplos prácticos: Car-pole, frozen lake y gridworld.
Modalidad de impartición: Presencial
Fechas de inicio-fin: 08/01/2025 - 17/01/2025
Horario: Miércoles Tarde, Jueves Tarde, Viernes Tarde
Contenido
(Horario: de 16:30 a 20:30 horas)
- Introducción a Deep Learning con TensorFlow y Keras.
- Redes completamente conectadas: inicialización, regularización y optimizadores
- Redes neuronales convolucionales
- Redes neuronales recurrentes
- Aprendizaje por refuerzo profundo (Deep Reinforcement Learning). Redes neuronales como aproximador de funciones no lineales. Algoritmos Deep Q Learning y Double Deep Q Learning. Ejemplos Prácticos con Deep Q Learning: Car-pole, frozen lake y gridworld. Algoritmos Policy Gradient con redes neuronales: REINFORCE
Modalidad de impartición: Presencial
Fechas de inicio-fin: 22/01/2025 - 30/01/2025
Horario: Miércoles Tarde, Jueves Tarde, Viernes Tarde
Contenido
(Horario: de 16:30 a 20:30 horas)
Aplicación 1: Análisis de imágenes de satélite
Aplicación 2: Programación de la Raspberry Pi en Python. APIs y OpenCV
Aplicación 3: Sistemas de recomendación
Aplicación 4: Metaheuristias para la selección de parámetros en redes neuronales
Aplicación 5: Monitorización ambiental mediante optimización Bayesiana y Aprendizaje por Refuerzo
Profesorado
Personal Académico
- D. Daniel Gutiérrez Reina . Universidad de Sevilla - Ingeniería Electrónica
- D. Manuel Perales Esteve . Universidad de Sevilla - Ingeniería Electrónica
- D. Sergio Luis Toral Marín . Universidad de Sevilla - Ingeniería Electrónica
Profesorado
- D. Daniel Gutiérrez Reina . Universidad de Sevilla - Ingeniería Electrónica
- D. Federico Daniel Peralta Samaniego . Universidad Loyola de Andalucia - Ingeniero
- D. Jaime Martel Romero-Valdespino - ITelligent Information Technologies
- D. Juan Pedro Pérez Alcántara - Practica Privada
- Dª. Mª del Rocío Martínez Torres . Universidad de Sevilla - Administración de Empresas y Marketing
- D. Manuel Perales Esteve . Universidad de Sevilla - Ingeniería Electrónica
- D. Mario Rivas Sánchez - ITelligent Information Technologies
- D. Samuel Yanes Luis - Contratado FPI
- D. Sergio Luis Toral Marín . Universidad de Sevilla - Ingeniería Electrónica