Tratamiento Estadístico Computacional de la Información (conjunto con UPM)

Máster. Curso 2025/2026.

REDES NEURONALES - 607580

Curso Académico 2025-26

Datos Generales

SINOPSIS

COMPETENCIAS

Generales

CG1 - Aprender a aplicar los conocimientos adquiridos y a explotar su potencial para la resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) en el tratamiento estadístico-computacional de la información.

CG2 - Elaborar adecuadamente y con originalidad argumentos motivados y proyectos de trabajo, redactar planes, así como formular hipótesis y conjeturas razonables en su área de especialización.

CG3 - Integrar los conocimientos adecuados y enfrentarse a la complejidad de emitir juicios en función de criterios, de normas externas o de reflexiones personales justificadas.

CG4 - Comunicar y presentar públicamente ideas, procedimientos o informes de investigación, así como asesorar a personas u organizaciones en el tratamiento estadístico-computacional de la información. La presentación de estas ideas debe transmitir de forma clara y precisa las conclusiones de forma que sean entendidas tanto por el especialista como por el profano en temas estadístico-computacionales.

CG5 - Comprender y utilizar el lenguaje y las herramientas matemáticas para modelizar y resolver problemas complejos, reconociendo y valorando las situaciones y problemas susceptibles de ser tratados matemáticamente.

CG6 - Conocer los modelos, métodos y técnicas relevantes en distintas áreas de aplicación de la estadística matemática participando en la creación de nuevas tecnologías que contribuyan al desarrollo de la Sociedad de la Información.

CG7 - Saber abstraer en un modelo matemático las propiedades y características esenciales de un problema real reconociendo su rango de aplicabilidad y limitaciones.
Transversales

CT1 - Saber aplicar sus conocimientos a su trabajo o vocación de una forma profesional y poseer las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y en la resolución de problemas y estudio de casos. Esto implica, más concretamente: Integrar creativamente conocimientos y aplicarlos a la resolución de problemas complejos, perseguir objetivos de calidad en el desarrollo de su actividad profesional, adquirir capacidad para la toma de decisiones y de dirección de recursos humanos, ser capaz de mostrar creatividad, iniciativa y espíritu emprendedor para afrontar los retos de su actividad, valorar la importancia de los métodos estadístico-computacionales en el contexto industrial, económico, administrativo, medio ambiental y social.

CT2 - Tener la capacidad de reunir e interpretar datos relevantes para emitir juicios que incluyan una reflexión sobre temas relevantes de índole científica, tecnológica y empresarial. Demostrar razonamiento crítico y gestionar información científica y técnica de calidad, bibliografía, bases de datos especializadas y recursos accesibles a través de Internet.
Específicas

CE2 - Capacidad para planificar la resolución de un problema en función de las herramientas de que se disponga y, en su caso, de las restricciones de tiempo y recursos.

CE3 - Capacidad para utilizar aplicaciones informáticas estadísticas, de cálculo numérico y simbólico, visualización gráfica, optimización u otras para resolver problemas con un elevado grado de complejidad.

CE4 - Desarrollar habilidades de aprendizaje en Estadística Computacional y Matemáticas, así como en sus respectivas aplicaciones, que permitan al alumno continuar estudiando y profundizando en la materia de modo autónomo, así como el desarrollo profesional con un alto grado de independencia.

CE5 - Resolver problemas y casos reales planteados en el tratamiento estadístico-computacional de la información generada en los ámbitos de la ciencia, la tecnología y la sociedad mediante habilidades de modelización matemática, estimación y computación.

CE6 - Desarrollar programas que resuelvan problemas matemáticos utilizando para cada caso el entorno computacional adecuado.

CE7 - Capacidad de utilización de herramientas de búsqueda de recursos bibliográficos así como manejo, gestión y análisis de grandes bases de datos.

ACTIVIDADES DOCENTES

Clases teóricas

Método expositivo.

Clases prácticas

Estudio de casos.

Laboratorios

Prácticas de ordenador.

Presenciales

1,35

No presenciales

1,55

Semestre

2

Breve descriptor:

Se presentan diferentes tipos de problemas (definidos según los objetivos planteados y los recursos disponibles) que se pueden abordar mediante técnicas de aprendizaje estadístico. Partiendo de los fundamentos de la dinámica de sistemas, la teoría de la optimización y la inferencia estadística, se implementan diferentes máquinas de aprendizaje, basadas en modelos neuronales básicos, que proporcionan soluciones a los problemas de aprendizaje estadístico. A continuación, se estudian y caracterizan los modelos más empleados para abordar los diferentes tipos de problemas. Finalmente, se ilustra su utilidad mediante la resolución de algunos problemas prácticos.

Requisitos


Se recomienda haber cursado con aprovechamiento las asignaturas de "Métodos de Análisis Multivariante", "Métodos de Regresión y Predicción" y "Técnicas de Optimización".

Objetivos

- Conocer los fundamentos matemáticos necesarios para contextualizar los modelos neuronales dentro del procesamiento de información y el aprendizaje estadístico.

- Tener la capacidad de emplear las herramientas matemáticas y el marco formal en el estudio de la funcionalidad de las arquitecturas neuronales.

- Ser capaz de determinar los ingredientes de un problema para diseñar la arquitectura que mejor se adecúa a su resolución.

- Resolver problemas colaborando con compañeros y exponer los resultados.

- Usar herramientas de software (R, Octave...) para la simulación de modelos neuronales.

- Tener la capacidad de emplear los métodos y modelos aprendidos en futura actividad investigadora.

Contenido

1. Introducción: tipos de problemas, aprendizaje automático y aprendizaje estadístico, redes neuronales artificiales.

2. Fundamentos matemáticos: dinámica de sistemas, teoría de optimización, inferencia estadística y teoría de regresión (lineal y logística).

3. Aprendizaje supervisado: regresión y clasificación, modelos neuronales (y otros) para su implementación.

4. Aprendizaje no supervisado: modelos neuronales para su implementación.

5. Modelos alternativos/avanzados: modelos gráficos, máquinas de Boltzmann, arquitecturas profundas, etc.

6. Otros tipos de problemas y posibles soluciones: aprendizaje en entornos dinámicos, aprendizaje por refuerzo, aprendizaje semi-supervisado, inferencia causal, etc..

7. Aplicaciones prácticas: tratamiento de señal, optimización de funciones tipo caja negra, predicción en series temporales, diagnóstico de fallos, control de sistemas y análisis de redes complejas.

Evaluación


(70%) Entrega de trabajos
(30%) Examen teórico-práctico

Bibliografía


E. ALPAYDIN (2020). Introduction to Machine Learning. Cambridge, MA: MIT Press.

C.M. BISHOP (2006). Pattern Recognition and Machine Learning. New York, NY: Springer-Verlag.

F. CUCKER & D.X. ZHOU (2007). Learning Theory: An Approximation Theory Viewpoint. New York, NY: Cambridge University Press.

M.P. DEISENROTH, A.A. FAISAL & C.S. ONG (2020). Mathematics for Machine Learning. New York, NY: Cambridge University Press.

C. FERNÁNDEZ, F.J. VÁZQUEZ & J.M. VEGAS (2003). Ecuaciones Diferenciales y en Diferencias: Sistemas Dinámicos. Madrid: Thomson Ediciones.

I. GOODFELLOW, Y. BENGIO & A. COURVILLE (2016). Deep Learning. Cambridge, MA: MIT Press.

S.S. HAYKIN (2011). Neural Networks and Learning Machines. Upper Saddle River, NJ: Pearson Prentice Hall.

R. HERBRICH (2002). Learning Kernel Classifiers: Theory and Algorithms. Cambridge, MA: MIT Press.

G. JAMES, D. WITTEN, T. HASTIE & R. TIBSHIRANI (2013). An Introduction to Statistical Learning: With Applications in R. New York, NY: Springer-Verlag.

T. KOHONEN (2000). Self-Organizing Maps. Berlin, Heidelberg: Springer-Verlag.

Q. MARTÍN & Y.R. PAZ (2007). Aplicación de las Redes Neuronales Artificiales a la Regresión. Madrid: La Muralla.

T.M. MITCHELL (1997). Machine Learning. New York, NY: McGraw-Hill.

J. PEARL (2016). Causal Inference in Statistics: A Primer. Chichester: Wiley.

V.N. VAPNIK (2000). The Nature of Statistical Learning Theory. New York, NY: Springer-Verlag.

M. VIDYASAGAR (1993). Nonlinear Systems Analysis. Upper Saddle River, NJ: Pearson Prentice Hall.

M. VIDYASAGAR (2003). Learning and Generalisation: With Applications to Neural Networks. London: Springer-Verlag.

Otra información relevante


Profesor:

Nombre: Pedro José Zufiria Zatarain
Despacho: A-306, ETSI en Telecomunicación, UPM
E-mail: pedro.zufiria@upm.es

Estructura

MódulosMaterias
No existen datos de módulos o materias para esta asignatura.

Grupos

Clases teóricas y/o prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo único10/12/2025 - 20/02/2026MARTES 19:30 - 21:00-JORGE GONZALEZ ORTEGA
JUEVES 18:00 - 19:30-JORGE GONZALEZ ORTEGA