Master universitario online in Intelligenza artificiale

Objetivos

▪ RK3: Explica la normativa y la regulación existente en entornos IA

▪ RK5: Identifica los usos y las aplicaciones de la IA

▪ RK6: Interpreta el proceso de generación de un modelo de IA, sus fases y su puesta en

producción

▪ RODS: Desarrolla una comunicación efectiva, el trabajo en equipo, el pensamiento

analítico, la creatividad y el liderazgo ético desde una perspectiva transversal y con una

clara inspiración en los principios y valores democráticos, así como los Objetivos de

Desarrollo Sostenible para desenvolverse con integridad en un entorno profesional

▪ Domina las distintas etapas existentes en la gestión de un proyecto de aprendizaje

automático y las herramientas más comunes para realizar dicha tarea de manera exitosa

▪ Implementa los requerimientos legales y regulatorios en el ámbito de un proyecto de IA

para asegurar que su implementación no producirá problemas de incumplimiento para la

organización

▪ Aplica las normativas que afecten a la utilización de los algoritmos de IA

▪ Competencias básicas:

• El alumno conocerá los casos de uso principales y ejemplos específicos de

aplicación de la IA en el mundo empresarial, así como los conceptos básicos para

desenvolverse como data scientist en el seno de una organización

▪ Competencias específicas:

• Se desarrollarán conceptos relacionados con una mejor puesta en práctica de los

modelos analíticos y de inteligencia artificial en materias de legislación, gestión

de proyectos, buenas prácticas de diseño y behavioral economics así como de

gestión de proyectos de analítica avanzada.

Descripción de los contenidos

1. La Inteligencia Artificial en el mundo empresarial: De manera introductoria veremos

cómo, en primer lugar, la disponibilización de grandes cantidades de datos, así como de

las herramientas para su procesamiento, y los modelos de inteligencia artificial

derivados de los mismos, han revolucionado por completo las industrias y el mundo en

el que vivimos, y qué ha supuesto eso para las distintas organizaciones y sectores

empresariales

2. Data Governance: Exploraremos y trabajaremos de manera teórica y práctica los

principales conceptos de gobierno del dato y su ciclo de vida dentro de la organización,

desde la perspectiva del usuario de los mismos, así como desde la perspectiva del data

owner o responsable de la calidad y disponibilidad de los datos.

3. BECO y Design: Principios Generales de Behavioral Economics y Diseño orientado en

datos y su relevancia en la creación y desarrollo de proyectos analíticos.

4. Gestión de proyectos: Ciclo de vida de gestión de proyectos en la organización.

Conceptos de planificación, gestión de tiempos, equipos y dependencias y principios de

filosofía agile de desarrollo de proyectos.

5. Aspectos éticos y legales: Presentación de los entornos y normas que afectan a los

modelos de Inteligencia Artificial, principales iniciativas legislativas en curso y aspectos

éticos a tener en cuenta en el desarrollo de modelos.

6. MLOps: integración de la IA con los sistemas operacionales: exploraremos de manera

profunda cómo integrar eficazmente el Machine Learning en el mundo empresarial,

aprovechar las ventajas de la nube para implementar modelos de forma escalable,

aplicar prácticas de DevOps para una gestión eficiente y aprender de casos reales de uso

en diversas industrias. También mantendremos un enfoque actualizado en las

tendencias más recientes en Machine Learning.

Sistema y criterios de evaluación

En el aula virtual de la asignatura/módulo podrás consultar en detalle las actividades que debes

realizar, así como las fechas de entrega, los criterios de evaluación y las rúbricas de cada una de

ellas.

Tu calificación final, estará en función del siguiente sistema de evaluación:

El 50% de la nota será la que obtengas en la evaluación continua. Para ello se tendrá en cuenta:

Actividades individuales y/o grupales: se incluyen en la evaluación continua.

El examen final de la asignatura/módulo supondrá el: 50 % de la nota final.

Bibliografía

Básica:

1.- Daniel Kahneman

Thinking fast and slow

Penguin Books. 2011.

ISBN: 9780141033570

2.- Ken Schwaber & Jeff Sutherland

The Scrum Guide

Scrum.org. 2024.

ISBN: 0000000000

3.- Zhamak Dehghani

Data Mesh: Delivering Data-Driven Value at Scale

O'Reilly. 2022.

ISBN: 1492092398

Objetivos

Conocimiento

- Reconoce las teorías estadísticas más utilizadas en entornos IA.

- Describe las métricas empleadas en la calibración de modelos de IA.

Habilidades

- Aplica la estadística asociada a los algoritmos más habituales de IA.

- Determina el algoritmo necesario para afrontar un caso de IA.

Competencias

- Evalúa de manera equitativa diferentes soluciones basadas en inteligencia artificial y elige la más efectiva para la consecución de los objetivos planteados.

- Juzga la calidad de un modelo de IA en base a métricas para la comparación entre diferentes algoritmos

Descripción de los contenidos

Unidad 1: Especialización de estadística para la descripción y el análisis de juegos de datos masivos.

Unidad 2: Teoría de la estimación

Unidad 3: Decisión y clasificación estadística

Unidad 4: Estadísticas bayesianas

Unidad 5: Generación estadística de datos: datasets sintéticos e imputación de datos faltantes

Unidad 6: Teoría de grafos complejos y sus aplicaciones a la IA

Sistema y criterios de evaluación

Sistema de evaluación

El 50% de la nota será la obtenida en la evaluación continua (2 trabajos practicos cuya nota final sera el promedio de ambos trabajos).

El 50% de la nota será la obtenida en la examen final.

Convocatoria ordinaria

Para superar la asignatura en convocatoria ordinaria se debe obtener una calificación mayor o igual que 5,0 sobre 10 en la calificación final (media ponderada) de la asignatura y además:

La nota media de todas las actividades (trabajos prácticos) deberá ser igual o mayor de 5,0 sobre 10 para promediar con el examen. Al igual que la nota del examen deberá ser igual o mayor de 5,0 sobre 10 para promediar con las actividades.

Convocatoria extraordinaria

Para superar la asignatura en convocatoria extraordinaria es necesario obtener una calificación mayor o igual que 5,0 sobre 10 en la calificación final.

Se deben entregar las actividades no superadas en convocatoria ordinaria, tras haber recibido el feedback correspondiente a las mismas por parte del profesor, o bien aquellas que no fueron entregadas.

Adenda

Competencias básicas

El alumno será capaz de entender las características que diferencian el desarrollo de un modelo de aprendizaje supervisado con fines explicativos o con fines predictivos y en especial las diferencias en las métricas de evaluación de ambos.

Competencias especificas

El alumno será capaz de entender para qué tipo de datos y aplicaciones son apropiadas diferentes arquitecturas de, por ejemplo: redes neuronales o modelos basados en grafos.

Bibliografía

Básica:

1.- Albert, Réka, and Albert-László Barabási

Statistical mechanics of complex networks

Reviews of modern physics 74.1: 47. 2002.

ISBN: 0034-6861

2.- Boccaletti, Stefano, et al.

Complex networks: Structure and dynamics

" Physics reports 424.4-5 pp: 175-30. 2006.

ISBN: 0370-1573

3.- Boccaletti, Stefano, et al.

The structure and dynamics of multilayer networks

Physics reports 544.1pp: 1-122.. 2014.

ISBN: 00000-00000

4.- Euler, Leonhard.

Leonhard Euler and the Königsberg bridges

Scientific American. 1953.

ISBN: 0036-8733

5.- Gareth, J.; Witten, D.; Hastie, T. and Tibshirani, R

An Introduction to Statistical Learning: With Applications to R

Springer. 2017.

ISBN: 9788074350887

6.- Hastie, T.; Tibshirani, R. and Friedman, J.

“The Elements of Statistical Learning: Data Mining, Inference and Prediction (2ª ed.)

2 ed.. Springer. 2017.

ISBN: 9780387848570

7.- Newman, Mark EJ.

The structure and function of complex networks

" SIAM review 45.2. Pp 167-256. 2003.

ISBN: 0036-1445

8.- Partida, Alberto, Regino Criado, and Miguel Romance

Identity and access management resilience against intentional risk for blockchain-based IOT platforms

Electronics 10.4: 378.. 2021.

ISBN: 2079-9292

Objetivos

A través de los cuatro módulos didácticos de la asignatura, se pretenden desarrollar las siguientes competencias y resultados de aprendizaje:

De acuerdo con la memoria del MUIA, esta asignatura requiere los siguientes resultados del proceso de formación y aprendizaje:

En conocimientos o contenidos (knowledge):

RK1: Comprende los lenguajes de programación, librerías y frameworks más utilizados en el entorno de la IA.

En competencias:

RC3: Domina las distintas etapas existentes en la gestión de un proyecto de aprendizaje automático y las herramientas más comunes para realizar dicha tarea de manera exitosa.

RC5: Adapta las diferentes tecnologías y algoritmos disponibles para aplicar en la resolución de problemas de IA.

En habilidades o destrezas (skills):

RS2: Domina el uso de las librerías y herramientas más comunes en el ámbito de la inteligencia artificial.

▪ Competencias básicas: el alumno será capaz de entender el papel que juegan las librerías y los entornos de programación tratados en la asignatura.

▪ Competencias específicas: el alumno será capaz de usar las librerías y los entornos de programación tratados en la asignatura.

▪ Resultados de aprendizaje: El alumno entregará los siguientes resultados de aprendizaje: Un programa en Python que utilice las librerías estudiadas en el módulo 2. Un programa en R que utilice las librerías estudiadas en los módulos 4-6. Ambos programas se desarrollarán en un EDA.

Descripción de los contenidos

El primer módulo lo orientaremos a conocer Python como una de los estándares, no solo de los procesos de machine learning, sino de la industria en general. Conoceremos más sobre los principales IDEs utilizados, y haremos un breve repaso sobre SQL, como lenguaje para conocer nuestros datos.

El segundo módulo explica los módulos básicos de Python que constituyen la base de la programación en Python para inteligencia artificial. Ejemplos de dichos módulos especializados son Pandas, Numpy, SciPy. Igualmente, se introducirá el uso de librerías de visualización en Python como Matplotlib y Seaborn.

El tercer módulo presentará dos de los principales frameworks de trabajo de Inteligencia Artificial como son SKLearn, centrados en modelos tradicionales, y Tensorflow, más enfocados en el aprendizaje profundo. Cerraremos con una introducción al control de versiones con GIT.

El cuarto, quinto y sexto módulo replican la estructura de los dos primeros, pero, en esta ocasión, usando R como lenguaje de programación, con especial foco en sus funcionalidades nativas y librerías para el análisis de datos (dplyr, data.table) y de visualización como ggplot2.

Sistema y criterios de evaluación

En el aula virtual de la asignatura/módulo podrás consultar en detalle las actividades que debes realizar, así como las fechas de entrega, los criterios de evaluación y las rúbricas de cada una de ellas.

Tu calificación final, estará en función del siguiente sistema de evaluación:

El 50% de la nota serán los entregables (uno de python y uno de R)

El examen final de la asignatura supondrá el otro 50% de la nota.

Bibliografía

Básica:

1.- Chang, Winston

R Graphics Cookbook

O'Reilly Media. 2013.

ISBN: 9781449316952

2.- Healy Kieran

Data Visualization: A Practical Introduction

Princeton University Press. 2019.

ISBN: 9780691181622

3.- Luciano Ramalho

Fluent Python: Clear, Concise, and Effective Programming

2 ed.. O'Reilly. 2022.

ISBN: 9781492056355

4.- Marc Lutz

Learning Python: Powerful Object-Oriented Programming

6 ed.. O'Reilly. 2025.

ISBN: 9781098171308

5.- SAS Viya

Machine Learning Node Reference

SAS Institute Inc. 2023.

ISBN: 0000000000

6.- Wickham, Hadley; Mine Çetinkaya-Rundel and Garrett Grolemund

R for Data Science (2ª ed.)

O'Reilly Media. 2023.

ISBN: 9781492097402

Objetivos

La asignatura "Técnicas de IA: Clasificaciones y Agrupaciones" tiene como objetivo proporcionar una formación integral que combine conocimientos teóricos sólidos y habilidades prácticas aplicables en el campo de la Inteligencia Artificial. Entre los objetivos específicos se incluyen el dominio de las bases teóricas de las principales técnicas de clasificación y agrupación, como k-NN, SVM, Naive Bayes, K-means y DBSCAN, así como el entendimiento del Feature Engineering como proceso esencial para optimizar el rendimiento de los modelos de IA. Además, se busca familiarizar a los estudiantes con las herramientas y librerías más utilizadas en el entorno de la IA, como Scikit-learn, Pandas y NumPy, para que puedan aplicar estos conocimientos a problemas prácticos.

En términos de capacidades, el estudiante será capaz de evaluar y seleccionar los algoritmos más apropiados para resolver problemas específicos de clasificación y agrupación, diseñar y ejecutar procesos de Feature Engineering para optimizar conjuntos de datos, implementar soluciones prácticas utilizando herramientas estándar en la industria y analizar los resultados obtenidos para ajustar modelos de manera efectiva. También se fomenta la participación activa en proyectos colaborativos y debates, promoviendo el pensamiento crítico y la resolución creativa de problemas.

La evaluación de la asignatura combinará la adquisición de conocimientos teóricos y la capacidad práctica. La evaluación continua representará el 50 % de la nota final e incluirá la participación activa en foros y debates, la resolución y entrega de actividades prácticas individuales o grupales y la realización de cuestionarios y tareas de autocomprobación. El 50 % restante de la nota se asignará al examen final, que evaluará tanto los conocimientos teóricos como la capacidad de aplicarlos en un contexto estructurado. Para superar la asignatura, será necesario obtener una calificación mínima de 5 sobre 10 en ambos componentes de la evaluación.

Descripción de los contenidos

La asignatura "Técnicas de IA: Clasificaciones y Agrupaciones" aborda los fundamentos teóricos y prácticos necesarios para aplicar técnicas avanzadas de clasificación y agrupación en el campo de la Inteligencia Artificial. Está estructurada en seis módulos esenciales que cubren los siguientes contenidos:

Feature Engineering: Introducción a las técnicas de selección y generación de variables para optimizar modelos de IA. Este módulo explora los principios fundamentales para transformar y preparar datos, mejorando así la eficacia de los algoritmos.

Clasificación con SVM (Support Vector Machines): Análisis de las bases teóricas y aplicaciones prácticas de las Máquinas de Vectores de Soporte, una técnica estadística clave para la clasificación.

Clasificación con Vecinos Cercanos (k-NN): Estudio del algoritmo k-Nearest Neighbors, una herramienta esencial para la clasificación basada en proximidad, con énfasis en su implementación y aplicaciones prácticas.

Clasificación con Naive Bayes: Revisión del método probabilístico Naive Bayes, incluyendo su fundamento estadístico y su uso en escenarios reales de clasificación.

Agrupación con K-means: Presentación de este método popular de agrupación, con un enfoque en su comprensión teórica, implementación práctica y aplicaciones.

Agrupación con DBSCAN (Density-Based Spatial Clustering of Applications with Noise): Introducción al algoritmo de agrupación basado en densidad, ideal para trabajar con conjuntos de datos complejos y ruidosos.

Estos contenidos han sido diseñados para proporcionar una comprensión profunda y práctica de las principales técnicas de clasificación y agrupación, fomentando el aprendizaje activo a través de actividades y proyectos.

Sistema y criterios de evaluación

El sistema de evaluación de la asignatura "Técnicas de IA: Clasificaciones y Agrupaciones" combina actividades prácticas y pruebas de conocimientos, con el objetivo de medir tanto la adquisición de competencias teóricas como la capacidad de aplicarlas en contextos reales.

La calificación final se divide en dos componentes principales:

Evaluación continua (50%): Incluye la participación activa en foros y debates, la entrega puntual de los ejercicios de Feedback (1 y 2), y la realización de cuestionarios o tareas de autocomprobación. Estas actividades permiten consolidar los conceptos impartidos y evaluar el progreso del estudiante a lo largo del curso.

Examen final (50%): Consiste en una prueba que evalúa tanto los conocimientos teóricos adquiridos como su aplicación en problemas prácticos. Para superar la asignatura, el estudiante deberá obtener una calificación mínima de 5 sobre 10 tanto en la evaluación continua como en el examen final.

La evaluación continua busca fomentar la participación activa, el trabajo colaborativo y el aprendizaje práctico, mientras que el examen final asegura que los conocimientos esenciales han sido comprendidos y pueden aplicarse de manera efectiva.

Adenda

La asignatura "Técnicas de IA: Clasificaciones y Agrupaciones" se imparte en modalidad online, lo que facilita la flexibilidad en el aprendizaje y permite a los estudiantes organizar su tiempo de manera autónoma. Las sesiones virtuales, tanto síncronas como asíncronas, están diseñadas para fomentar la interacción entre los estudiantes y el profesor, promoviendo un aprendizaje activo y colaborativo.

Materiales de aprendizaje:

Los estudiantes contarán con una variedad de recursos, incluyendo guías de aprendizaje, contenidos teóricos enriquecidos con enlaces y bibliografía, ejercicios de autocomprobación y actividades prácticas. Todo el material estará disponible en el aula virtual para su consulta en cualquier momento.

Duración y carga lectiva:

La asignatura tiene una carga de 6 créditos ECTS, distribuidos en 22 horas de clases virtuales y 18 horas de tutorías. Estas horas se complementan con el tiempo dedicado al estudio autónomo y la realización de actividades prácticas, lo que asegura una formación integral.

Soporte docente:

El profesor estará disponible para resolver dudas y brindar apoyo a través de tutorías semanales y el sistema de mensajería del aula virtual. Se anima a los estudiantes a utilizar estos canales para maximizar su aprovechamiento del curso.

Bibliografía

Básica:

1.- Burger, Scott V.

Introduction to Machine Learning with R

O’Reilly. 2018.

ISBN: 9781491976449

2.- Eric Matthes

Python Crash Course (3ª ed.)

No Starch Press. 2023.

ISBN: 9781593276034

3.- Fernández-Avilés, Gema

Fundamentos de Ciencia de Datos Con R

McGraw Hill. 2024.

ISBN: 9788448636289

4.- Lantz, Brett

Machine Learning with R (3ª ed.)

Packt Publishing Ltd. 2019.

ISBN: 9781788295864

Objetivos

En cuanto a la adquisición de conocimientos, la asignatura busca que los estudiantes comprendan los lenguajes de programación, librerías y frameworks clave en inteligencia artificial, así como las teorías estadísticas más aplicadas en este campo. También se espera que sean capaces de clasificar y comparar diferentes familias de algoritmos y que identifiquen sus aplicaciones prácticas.

Respecto a la adquisición de capacidades, los estudiantes deben desarrollar habilidades para evaluar soluciones basadas en inteligencia artificial y determinar su eficacia. También deben ser capaces de aplicar tecnologías y algoritmos para resolver problemas específicos y emplear técnicas de aprendizaje profundo para abordar desafíos complejos.

En cuanto a los criterios de evaluación, se requiere participación activa en foros y debates, así como la resolución y entrega de actividades individuales y grupales. El examen final constituye el 50% de la nota final.

Descripción de los contenidos

La asignatura se organiza en seis módulos. En el módulo de Regresión Lineal se estudian sus fundamentos teóricos y aplicaciones prácticas para identificar relaciones lineales y realizar predicciones. En el módulo de Regresión Logística se abordan las técnicas de clasificación basadas en asignación de probabilidades. El módulo de Regresiones Random Forest introduce el uso de árboles de decisión para manejar datos no lineales y como combinar éstos para dar lugar a modelos más precisos y complejos. En el módulo de Deep Learning y LSTM se exploran las redes neuronales y las redes recurrentes especializadas en datos secuenciales. El módulo de Redes Convolucionales se centra en la extracción de características tridimensionales y su aplicación en visión por computadora. Finalmente, el módulo de Reinforcement Learning enseña técnicas de aprendizaje basado en recompensas para la toma de decisiones secuenciales.

Sistema y criterios de evaluación

El sistema de evaluación incluye una evaluación continua que representa el 50% de la nota final y que considera la participación en foros y la realización de actividades prácticas individuales y grupales. El otro 50% corresponde al examen final. En caso de no aprobar, la convocatoria extraordinaria permite recuperar tanto actividades como el examen, siempre que se hayan seguido las indicaciones y recibido el feedback correspondiente.

Adenda

Se recomienda a los estudiantes mantener un libro de bitácora para registrar su progreso y participar activamente en las clases virtuales, aunque estas también estarán disponibles en formato grabado para consulta. Los profesores están disponibles para tutorías, las cuales se pueden solicitar vía correo electrónico o mediante la mensajería del campus virtual. La bibliografía sugerida incluye textos sobre estadística, regresión y aprendizaje profundo, de autores reconocidos en el ámbito académico y profesional.

Bibliografía

Básica:

1.- David W. Hosmer, Jr., Stanley Lemeshow, Rodney X. Sturdivant

Apllied Logistic Regression (3ª ed.)

Wiley. 2013.

ISBN: 9780470582473

2.- Douglas C. Montgomery, Elizabeth A. Peck, G. Geoffrey Vining

Introduction to Linear Regression Analysis

Wiley. 2006.

ISBN: 9780471754954

3.- Josh Patterson, Adam Gibson

Deep Learning: A Practitioner’s Approach

O’Reilly. 2017.

ISBN: 9781491914250

4.- Josph M. Hilbe

Logistic Regression Models

CRC Press. 2009.

ISBN: 9781420075755

5.- Peter Bruce, Andrew Bruce y Peter Gedeck

Estadística práctica para la ciencia de datos

2 ed.. Marcombo. 2022.

ISBN: 9788426734433

6.- Sheldon M. Ross

Introducción a la Estadística

Reverté. 2007.

ISBN: 9788429150391

Bibliografía

Básica:

1.- Roger Peng

R Programming for Data Science

Lulu.com. 2016.

ISBN: 1365056821

Enlaces

Intérprete Python online - Intérprete Python online

R packages - R packages

Jupyter Lab online - Jupyter Lab online

Objetivos

El objetivo principal es proporcionar a los estudiantes una comprensión profunda de los principios y técnicas subyacentes en el diseño, implementación y optimización de modelos lineales de la familia ARIMA y modelos de aprendizaje profundo como LSTM.

Estos conocimientos son cruciales para la formación de los futuros profesionales en ciencia de datos, ya que el deep learning representa una de las herramientas más potentes y versátiles en la extracción de patrones y la predicción de datos complejos.

Descripción de los contenidos

El curso comienza con una introducción a los conceptos básicos y la arquitectura de los modelos lineales ARIMA, sentando las bases para temas más avanzados. Posteriormente, se abordan los modelos más avanzados de esta familia, con un enfoque en los modelos SARIMA y posteriormente al modelo de Facebook, el Prophet. Terminada esta parte, el curso sigue con una introducción a los conceptos básicos y la arquitectura de los modelos de Deep learning, con un enfoque a las redes neuronales recurrentes, con un enfoque en el modelo LSTM. En fin, se analizarán los modelos ARCH y GARCH para el calculo de la volatilidad condicional, métrica fundamental para representar la incertidumbre en las predicciones de series temporales.

El curso finalizará con el estudio del Temporal Fusion Transformer (TFT), uno de los modelos más incoativo basado en la arquitectura de los Transformers modernos (Self-attention, Encoder, Decoder).

Sistema y criterios de evaluación

Tu calificación final, estará en función del siguiente sistema de evaluación:

- El 40% de la nota final será la que obtengas en la evaluación continua. Para ello se tendrá en

cuenta: los trabajos individuales.

- El examen final de la asignatura/módulo supondrá el: 60 % de la nota final.

Adenda

Es crucial que los estudiantes adquieran primero un conocimiento sólido de los fundamentos antes de avanzar hacia las técnicas y modelos más avanzados. Este enfoque progresivo garantiza que los alumnos construyan una comprensión integral y cohesionada de los temas. Las actividades formativas están diseñadas para guiar y reforzar el aprendizaje. Los contenidos teóricos proporcionan la base necesaria, mientras que los ejercicios de autocomprobación permiten a los estudiantes evaluar su comprensión y progresar de manera efectiva.

Bibliografía

Básica:

1.- Bishop, C. M.

Pattern Recognition and Machine Learning

Springer. 2006.

ISBN: 9780387310732

2.- Géron, A.

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems.

O'Reilly Media. 2019.

ISBN: 9781492032649

3.- Goodfellow, I., Bengio, Y., & Courville, A.

Deep Learning

MIT Press. 2016.

ISBN: 9780262035613

Complementaria:

4.- Aggarwal, C. C.

Neural Networks and Deep Learning: A Textbook

2 ed.. Springer. 2018.

ISBN: 9783031296444

5.- Chollet, F.

Deep Learning with Python

Manning Publications. 2018.

ISBN: 9781617294433

6.- Sutton, R. S., & Barto, A. G.

Reinforcement Learning: An Introduction (2nd ed.)

MIT Press. 2018.

ISBN: 9780262039246

Objetivos

En esta asignatura se busca introducir de manera general algunos casos de uso basados en datos no estructurados. En la actualidad, el auge de los sistemas LLM y SLM está cambiando la forma de ver la inteligencia artificial. En esta asignatura nos basaremos en aprendizajes de datos no estructurados. Esta asignatura obligatoria dentro del máster MUIA se cursa en "modo online" y en castellano dentro del segundo semestre y otorga 6 créditos (22 horas de sesiones de clases con profesor y de trabajos guiados más 18 horas en consultas en las que el profesor está disponible para el alumno). La estructura del curso se divide en módulos esenciales: 1. Introducción al LLM: situación actual 2. Visión artificial: en este módulo conoceremos: a. Refresco de redes neuronales. b. Convolución c. Transformers 3. Natural Language Processing: a. Dialog flow b. Challenging al NLP c. Qlearning: optimización de rutas en delivery El sistema de evaluación estará compuesto por actividades prácticas y pruebas de conocimientos, de manera que el estudiante no solo comprenda los conceptos teóricos, sino que también sea capaz de aplicarlos en escenarios reales.

Descripción de los contenidos

Unidad Didáctica 1: Fundamentos del Procesamiento del Lenguaje Natural: NLP o Procesamiento del Lenguaje Natural es una rama de la inteligencia artificial que se ocupa de la interacción entre los ordenadores y el lenguaje humano. El objetivo principal de NLP es permitir que las máquinas comprendan, interpreten y generen texto de manera similar a como lo hacen los humanos. Esto implica la capacidad de procesar, analizar y responder a información escrita o hablada.

En términos simples, NLP busca habilitar a los ordenadores para comprender el significado detrás del lenguaje humano en todas sus complejidades. Esto incluye la capacidad de entender la gramática, el contexto, las ambigüedades, el tono emocional y otros aspectos lingüísticos. Las aplicaciones de NLP son diversas y van desde la traducción automática y la generación de texto hasta la extracción de información, el análisis de sentimientos, el chatbot y la mejora de motores de búsqueda, entre otros.

Unidad Didáctica 2: Modelos Profundos y Redes Neuronales para NLP: Las Redes Neuronales Recurrentes (RNNs) son fundamentales en el análisis de datos secuenciales, especialmente en aplicaciones como procesamiento de lenguaje natural (NLP) y predicción de series temporales. Su capacidad de incorporar "memoria" las hace útiles para tareas que requieren contexto previo, aunque enfrentan limitaciones significativas, como el problema del desvanecimiento del gradiente. Para abordar estas dificultades, se desarrollaron variantes avanzadas como las LSTM y GRU, que optimizan la retención y el manejo de dependencias a largo plazo.

Los modelos Transformer, introducidos en 2017, marcaron un avance significativo al superar las limitaciones de las RNN y CNN mediante el uso del mecanismo de atención. Este diseño ha permitido el desarrollo de herramientas más eficientes y potentes como BERT, GPT y otros modelos especializados en diversas tareas de NLP y más allá. Su escalabilidad, capacidad de preentrenamiento y paralelización los convierten en una piedra angular del aprendizaje profundo actual.

Unidad Didáctica 3: Aplicaciones practicas y avances en NLP: Esta unidad explora en profundidad los fundamentos, avances y aplicaciones del procesamiento del lenguaje natural (NLP) y de las tecnologías que lo sustentan, estructurado en cinco temas principales. El primer tema, "Frameworks y Nube", presenta una base sólida sobre los conceptos fundamentales de la computación en la nube, incluyendo su historia, principales proveedores, modelos de despliegue y tecnologías clave como Kubernetes y Docker. Además, aborda la transición hacia el Edge Computing, destacando su relevancia para aplicaciones de inteligencia artificial. El segundo tema, "Infraestructura y Hardware", analiza los requerimientos técnicos para el desarrollo de soluciones de IA, desde el hardware especializado y el procesamiento eficiente hasta la sostenibilidad energética y la protección de datos. El tercer tema, "Aplicaciones de NLP en la Vida Real", detalla diversas implementaciones del NLP, desde la traducción automática y generación de texto hasta sistemas avanzados como GPT y ChatGPT, integrando conceptos de multimodalidad y prompting. El cuarto tema, "Futuro del NLP", examina los desafíos emergentes, como la eficiencia en modelos grandes y la inclusión de idiomas con pocos recursos. Finalmente, el quinto tema, "Extensión de Conceptos", profundiza en tecnologías de vanguardia como Semantic Kernel, LangChain y agentes inteligentes, comparando enfoques open-source y privados.

Sistema y criterios de evaluación

Este módulo cuenta con un material de partida:

 Guía de Aprendizaje: Que estás leyendo actualmente. Este módulo se divide en 6 Unidades didácticas (o módulos). Para el estudio de cada una de ellas deberás leer, estudiar y superar con éxito todos los materiales que la componen. Son los siguientes:

 Contenidos teóricos y ejercicios de autocomprobación: Cada módulo se compone de varias unidades didácticas. En cada unidad didáctica encontrarás contenidos de carácter más teórico (enriquecido con enlaces, bibliografía y vídeos) donde el profesor explicará y aclarará partes específicas del temario. Intercalados con el contenido teórico podrás encontrar foros, cuestionarios y tareas que te servirán para que afiances conocimientos aplicándolos a la práctica.

 Actividades individuales y/o grupales: En esta asignatura/módulo están planificadas varias actividades individuales y/o grupales. Deberás resolverlas y enviarlas al profesor, mediante el buzón de entrega de la tarea habilitado en el aula virtual de la asignatura/módulo, para que pueda evaluarlas y darte un feedback personalizado. Estas actividades puntuarán en la nota final.

 Participación en foros: En este módulo deberás participar activamente en los debates que propone el profesor, bien de modo síncrono o asíncrono.

 Clases virtuales: esta asignatura/módulo cuenta con 15 clases virtuales que se realizarán de manera síncrona en las fechas y horarios publicados por el profesor, utilizando la herramienta de videoconferencia del aula virtual. Aunque las clases se graban y pueden consultarse de manera asíncrona, es recomendable asistir ya que son sesiones interactivas y participativas que te ayudarán a comprender y aplicar los conceptos de la asignatura/módulo.

 Deberás superar el examen final del módulo.

Bibliografía

Básica:

1.- Stockman, G., & Shapiro, L. G.

Computer vision

Prentice Hall PTR.. 2001.

ISBN: 9780130307965

Complementaria:

2.- BLEHM, Clayton, et al.

Computer vision syndrome: a review

Survey of ophthalmology, vol. 50, no 3, p. 253-262. 2005.

ISBN: 18793304

3.- GOWRISANKARAN, Sowjanya; SHEEDY, James E.

Computer vision syndrome: A review

Work, vol. 52, no 2, p. 303-314. 2015.

ISBN: 1051-9815

Objetivos

Comprender la importancia de la explicabilidad de los modelos de IA

Aprender a explicar modelos de IA con XAI utilizando herramientas como SHAP o alternativas.

Conocer y entender las métricas principales asociadas a modelos de regresión

Conocer y entender las métricas principales asociadas a modelos de clasificación

Entender el desbalanceo de datos y conocer técnicas de balanceo

Descripción de los contenidos

1. XAI, definición, conceptos y propiedades

2. Estabilidad

3. Introducción a las métricas de los modelos de IA

4. Métricas de rendimiento de los modelos de regresión

5. Métricas de rendimiento de los modelos de clasificación

6. Datos balanceados

Sistema y criterios de evaluación

- Examen final de la asignatura (70% de la calificación).

- Ejercicio práctico (30% de la calificación).

Cronograma

Pulse sobre este enlace para obtener el cronograma detallado en excel

Bibliografía

Básica:

1.- Kuhn, M. y Johnson, K.

Feature Engineering and Selection: A Practical Approach for Predictive Models

Chapman and Hall/CRC. 2019.

ISBN: 9781138079229

2.- Provost, F., & Fawcett, T.

Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking

O'Reilly Media. 2013.

ISBN: 9781449374266

Complementaria:

3.- A. Barredo, N. Díaz-Rodriguez, J. Del Ser, A. Bennetot, S. Tabik, A. Barbado, S. García, S. GilLopez, D. Molina, R. Benjamins, R. Chatila, F. Herrera

Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI

Information Fusion (58) 82-115. 2020.

ISBN: 15662535

4.- Iqbal H. Sarker

Machine Learning: Algorithms, Real-World Applications and Research Directions

SN Computer Science 2, 160. 2021.

ISBN: 2662995X