Créditos ECTS Créditos ECTS: 3
Horas ECTS Criterios/Memorias Trabajo del Alumno/a ECTS: 44 Horas de Tutorías: 1 Clase Expositiva: 20 Clase Interactiva: 10 Total: 75
Lenguas de uso Castellano, Gallego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Física de Partículas
Áreas: Física Atómica, Molecular y Nuclear
Centro Facultad de Física
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
Los métodos de aprendizaje automático (Machine Learning) comprenden una serie de técnicas computacionales para la resolución de problemas complejos. Mediante la utilización de unidades simples computacionales, combinadas en un sistema neuronal, y mediante un sistema de aprendizaje basado en la valoración de muestras escogidas, estos sistemas poder resolver problemas asociados a reconocimiento de patrones y clasificación de eventos con mejores resultados que los métodos tradicionales en muchas situaciones de interés.
Se pretende que los estudiantes adquieran conocimientos en las bases teóricas y la práctica de diferentes métodos de clasificación en aprendizaje automático, como Redes Neuronales, Boosted Decision Trees, Random Forest o Nearest Neighbour de utilidad en distintos campos de la Física. El alumno aprenderán a programar y entrenar modelos sencillos de redes neuronales a través de interfaces o librerías para la producción y explotación de estos modelos, como TensorFlow, Apache Mahout, ROOT TMVA, Python mlpy, Keras, o similares.
El nivel alcanzado por el alumnado le permitirá entender sin dificultad los programas escritos por especialistas en el campo del reconocimiento de patrones en el análisis de detectores, identificación y clasificación topológica de eventos, trigger experimentales etc. y diseñar por si mismos modelos sencillos de sistemas de aprendizaje automático.
- Introducción. Conceptos básicos en álgebra, probabilidad, estadística y computación requeridos en ML.
- Bases del aprendizaje automático. Redes neuronales: unidades computacionales, perceptrones, ... Arquitecturas multicapa. Redes realimentadas profundas (Deep feedforward networks). Redes convolucionales. Métodos de Boosted Decision Trees, Random Forest y Nearest Neighbour.
- Algoritmos de aprendizaje. Función de error. Aprendizaje supervisado y no supervisado. Análisis de convergencia y estabilidad de las soluciones. Backpropagation. Entrenamiento de las redes a través de Monte Carlo. Regularización y robustez en redes profundas. Optimización del entrenamiento.
- Casos prácticos. Uso de ROOT TMVA. Uso de librerías en python (mlpy, TensorFlow).
- I. Goodfellow, Y. Bengio, La. Courville, "Deep Learning, 2016, MIT Press. https://www.deeplearningbook.org/
- La. Geron, “Hands-on Machine Learning with Scikit-Learn and TensorFlow”, 2017, O’Reilly Media. Jupyter notebooks se pueden descargar en: https://github.com/ageron/handson-ml
- R. Rojas, "Neural Networks, a Systematic Introduction”, 1996, Springer-Verlag.
- TensorFlow, “Open Source Machine Learning Framework”: https://www.tensorflow.org/
- mlpy, “Python Module for Machine Learning”: http://mlpy.sourceforge.net/
- “TMVA: Toolkit for Multivariate Analysis with ROOT”: https://root.cern.ch/tmva
- J. Torres, "Deep Learning, introducción práctica con Keras", Watch this space 2018, y versión online https://torres.ay/artificial-intelligence-content/deeplearning/deep-lea…
- C. Albon, "Machine Learning with Python Cookbook. Practical Solutions from Preprocessing to Deep Learning”, 2018, O'Reilly Media.
- Brink, Henrik, "Real-World Machine-Learning", 2016, Manning Publications (Código Biblioteca:3 C10 52).
- Chollet, François, "Deep Learning with Python", 2017, Manning Publications (Código Biblioteca: 3 C10 53).
- Carou, David, Sartal, Antonio, Davim, J. Paulo, "Machine Learning and Artificial Intelligence with Industrial Applications", 2022, Springer.
COMPETENCIAS BÁSICAS:
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
CB7 - 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) relacionados con su área de estudio.
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
CB10 - 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.
COMPETENCIAS GENERALES:
CG01 - Adquirir la capacidad de realizar trabajos de investigación en equipo.
CG02 - Tener capacidad de análisis y de síntesis.
CG03 - Adquirir la capacidad para redactar textos, artículos o informes científicos conforme a los estándares de publicación.
CG04 - Familiarizarse con las distintas modalidades usadas para la difusión de resultados y divulgación de conocimientos en reuniones científicas.
CG05 - Aplicar los conocimientos a la resolución de problemas complejos.
COMPETENCIAS TRANSVERSALES:
CT01 - Capacidad para interpretar textos, documentación, informes y artículos académicos en inglés, idioma científico por excelencia.
CT02 - Desarrollar la capacidad para la toma de decisiones responsables en situaciones complejas y/o responsables.
COMPETENCIAS ESPECÍFICAS:
CE01 - Conocer los sistemas operativos y lenguajes de programación relevantes en física.
CE03 - Modelar y simular fenómenos físicos complejos por ordenador.
Las clases se dividen en sesiones expositivas, en las que se les presenta a los alumnos los conceptos esenciales por medio de diapositivas, sesiones en las que los alumnos resolverán supuestos prácticos en el ordenador con la ayuda del profesor y sesiones de tutoría en las que se atenderá a los estudiantes individualmente o en grupos muy reducidos. Las tutorías serán presenciales o telemáticas.
Se hará una evaluación continua del alumno para garantizar una progresión idónea en la adquisición de los conocimientos y habilidades. Para eso, el profesor discutirá en las clases interactivas las soluciones propuestas por los alumnos a los casos prácticos propuestos con
anterioridad.
La calificación final será una promedios de los dos puntos siguientes con sus pesos:
Asistencia, actividades y atención en las clases 30%
Entrega de trabajos 70%
Excepcionalmente, se podrá realizar un examen final de la materia, siempre que los estudiantes hayan completado los ejercicios obligatorios propuestos. En ese caso la nota final será el máximo entre el resultado del examen y el promedio ponderado del 70% de la nota del examen y el 30% de la nota de la evaluación continua.
Para los casos de realización fraudulenta de ejercicios o pruebas será de aplicación lo recogido en la “Normativa de evaluación del rendimiento académico de los estudiantes y de revisión de calificaciones”:
“Artículo 16. Realización fraudulenta de ejercicios o pruebas.
La realización fraudulenta de algún ejercicio o prueba exigida en la evaluación de una materia implicará la calificación de suspenso en la convocatoria correspondiente, con independencia del proceso disciplinario que se pueda seguir contra el alumno infractor. Se considera fraudulenta, entre otras, la realización de trabajos plagiados o obtenidos de fuentes accesibles al público sin reelaboración o reinterpretación y sin citas a los autores y las fuentes.”
Docencia teórica: 20 horas (100% asistencia presencial)
Docencia práctica de laboratorio: 10 horas (100% asistencia presencial)
Tutorización individual del alumnado: 1 horas (100% asistencia presencial o telemática)
Trabajo personal del alumnado y otras actividades: 44 horas (0% presencialidad)
Se recomienda la preparación del alumnos en lenguajes de programación y el repaso de los conceptos de python que se ofrecieron en otras materias. El trabajo personal en el estudio y experimentación con librerías que permiten el diseño y explotación de los métodos de aprendizaje automático es importante para la correcta consecución de los objetivos del curso.
Cibran Santamarina Rios
Coordinador/a- Departamento
- Física de Partículas
- Área
- Física Atómica, Molecular y Nuclear
- Teléfono
- 881814012
- Correo electrónico
- cibran.santamarina [at] usc.es
- Categoría
- Profesor/a: Titular de Universidad
Xabier Cid Vidal
- Departamento
- Física de Partículas
- Área
- Física Atómica, Molecular y Nuclear
- Correo electrónico
- xabier.cid [at] usc.es
- Categoría
- Profesor/a: Titular de Universidad
| Martes | |||
|---|---|---|---|
| 11:00-12:00 | Grupo /CLE_01 | Gallego | 3 (Informática) |
| Miércoles | |||
| 11:00-12:00 | Grupo /CLE_01 | Gallego | 3 (Informática) |
| Jueves | |||
| 11:00-12:00 | Grupo /CLE_01 | Gallego | 3 (Informática) |
| Viernes | |||
| 09:00-10:00 | Grupo /CLE_01 | Gallego | 3 (Informática) |
| 03.06.2025 10:00-14:00 | Grupo /CLE_01 | 3 (Informática) |
| 04.07.2025 12:00-14:00 | Grupo /CLE_01 | 3 (Informática) |