Perfil de la o del participante

Alumnado de Doctorado de la UPV/EHU

Fechas

Campus Bizkaia: Febrero-Marzo 2026

Duración / Horario

20 horas (5 sesiones de 4 horas cada una)

Horario: 9:30 a 13:30

Asistencia

80% de asistencia obligatoria, y entregar en su caso, todos los trabajos prácticos solicitados (Ver puntos 3 y 5 de la Normativa básica para la participación en actividades de formativas transversales organizadas por la Escuela de Doctorado).

TODA AUSENCIA debe justificarse documentalmente.

Idioma

Castellano

Modalidad

Presencial

Requisitos previos

El alumnado debe utilizar sus propios ordenadores portátiles.

Lugar y días de celebración

Profesor/a

Roberto Fernández Martínez. Doctor en Ingeniería Industrial y actualmente profesor del Departamento de Ingeniería Eléctrica de la Universidad del País Vasco. Su investigación se centra en el modelado y la optimización de procesos y productos industriales. Para ello, trabaja implementando técnicas de minería de datos, minería de datos espaciales, soft computing y sistemas de aprendizaje automático para resolver problemas reales en el sector industrial, principalmente en el ámbito de la energía y la ingeniería eléctrica. Esta labor investigadora se refleja en los 33 proyectos de investigación (regionales, nacionales y europeos) en los que ha colaborado, en los 65 artículos científicos indexados publicados, en la asistencia a más de 90 congresos (nacionales e internacionales), en los 12 capítulos de libro y en los tres libros publicados, y en las dos patentes generadas. Además, cuenta con una amplia experiencia internacional, con varias estancias de investigación en centros y universidades de prestigio internacional. Estas relaciones internacionales se han reflejado en proyectos de investigación en los que ha trabajado en colaboración con estas instituciones, así como en diversas publicaciones donde se ha plasmado parte del trabajo realizado.

Orcid code: 0000-0002-9436-6577
ResearcherID code: K-5770-2014
Scopus code: 37661240700

Número de participantes

12

Inscripción

Competencias que adquirirá la doctoranda o el doctorando (Real Decreto 99/2011)

• b) Capacidad de concebir, diseñar o crear, poner en práctica y adoptar un proceso sustancial de investigación o creación.
• c) Capacidad para contribuir a la ampliación de las fronteras del conocimiento a través de una investigación original.
• d) Capacidad de realizar un análisis crítico y de evaluación y síntesis de ideas nuevas y complejas.
• e) Capacidad de comunicación con la comunidad académica y científica y con la sociedad en general acerca de sus ámbitos de conocimiento en los modos e idiomas de uso habitual en su comunidad científica internacional.
• f) Capacidad de fomentar, en contextos académicos y profesionales, el avance científico, tecnológico, social, artístico o cultural dentro de una sociedad basada en el conocimiento.

Objetivos

El objetivo principal del curso es capacitar a los estudiantes en el uso y la comprensión de las técnicas de aprendizaje automático aplicadas a la investigación, particularmente aquellas relacionadas con técnicas de regresión y bajo el lenguaje de programación R. Los estudiantes aprenderán a utilizar estas técnicas de forma autónoma y a aplicarlas a sus proyectos de investigación.

En cuanto a las competencias y habilidades a desarrollar, los estudiantes adquirirán la capacidad de gestionar la adquisición, estructuración, análisis, visualización de datos y su modelado y evaluación, así como la evaluación crítica de los resultados obtenidos. Se fomentará su capacidad de razonamiento crítico, lógico y matemático, así como su capacidad para resolver problemas y crear modelos que reflejen situaciones reales.

Se promoverá el aprendizaje autónomo, así como la capacidad de comunicar conclusiones y conocimientos con claridad a públicos tanto especializados como no especializados. Los estudiantes trabajarán en equipo o de forma individual durante las sesiones prácticas y aprenderán a seleccionar la técnica más adecuada para cada problema.

Al finalizar el curso "Fundamentos del Aprendizaje Automático. Aprendizaje Supervisado: Técnicas de Regresión con R", el estudiante habrá adquirido las competencias que le permitirá desarrollar ciertas habilidades.

• Comprender los principios fundamentales de los modelos de regresión, su propósito y su aplicación en el contexto del análisis de datos y la predicción.
• Aplicar técnicas de regresión en R, incluyendo regresión lineal, regresión no lineal, regresión basada en árboles y regresión basada en reglas.
• Preparar y explorar datos utilizando herramientas del ecosistema de R para realizar análisis exploratorios y transformar los datos antes de modelarlos.
• Evaluar el rendimiento de los modelos de regresión utilizando métricas apropiadas.
• Interpretar los coeficientes de los modelos y comunicar los resultados de manera clara, identificando la relación entre las variables predictoras y la variable de respuesta.
• Resolver problemas del mundo real mediante el uso práctico de la regresión en R, aplicando todo el flujo de trabajo: desde la carga y limpieza de datos hasta la validación y comunicación de los resultados.

La evaluación se basará en el trabajo práctico realizado durante el curso y culminará con una presentación final donde los estudiantes aplicarán las técnicas aprendidas a su propio campo de estudio. Se espera que dominen las técnicas y sean capaces de aplicarlas eficazmente en sus áreas de interés.

Formato

El curso combinará docencia teórica con sesiones prácticas, donde los estudiantes trabajarán en grupos o de forma individual con conjuntos de datos reales para aplicar las técnicas que han aprendido. Se fomentará la participación activa y la discusión de los resultados para potenciar el aprendizaje, asegurando que los estudiantes puedan utilizar estas herramientas para extraer la máxima información de sus datos utilizando técnicas de aprendizaje automático.

Contenido del curso

Los estudiantes aprenderán a utilizar estas técnicas de forma autónoma y a aplicarlas a sus proyectos de investigación:

• Algoritmos básicos de regresión: Profundizar en los principios y aplicaciones de la regresión lineal, regresión no lineal y regresión con árboles de decisión.
• Técnicas de evaluación de modelos: Aprender a evaluar el rendimiento de tus modelos utilizando métricas esenciales, asegurando precisión y fiabilidad.
• Conocimientos de R: Mejorar tus conocimientos de R practicando con el código proporcionado. Explorar lo básico de cómo funciona R.
• Práctica: Participar en sesiones interactivas de desarrollo de código para aplicar el conocimiento teórico y obtener experiencia práctica.

Este curso está diseñado para proporcionar a estudiantes de doctorado de diversas disciplinas una comprensión teórica y práctica de las herramientas de regresión dentro del aprendizaje automático supervisado. La estructura del curso incluye clases teóricas y sesiones prácticas centradas en la resolución de problemas reales utilizando conjuntos de datos e implementando los métodos en R. Se presentarán todos los conceptos básicos necesarios para realizar los estudios propuestos, junto con las instrucciones básicas de R para aplicar estos métodos.

Los módulos que componen el curso son los siguientes:

• Herramientas para trabajar en aprendizaje automático.
• Introducción al aprendizaje automático supervisado: Regresión
• Regresión lineal
• Regresión no lineal
• Regresión basada en árboles y reglas
• Métodos ensemble