Nori zuzendua

UPV/EHUko doktoregaiak

Datak

Bizkaiko campusa: 2026ko otsaila-martxoa

Iraupena (ordutan) / Ordutegia

20 ordu (4 orduko 5 saio)

Ordutegia: 9:30 – 13:30

Asistentzia

%80 bertaratzea derrigorrezkoa (Ikus Doktorego Eskolak antolatutako zeharkako prestakuntza-jardueretan parte hartzeko oinarrizko araudiaren 3. eta 5. puntuak).

ABSENTZIA ORO agiri bidez justifikatu behar da.

Hizkuntza

Gaztelania

Modalitatea

Presentziala

Lekua eta egunak

Irakaslea

Roberto Fernández Martínez.

Industria Ingeniaritzan doktorea eta gaur egun irakaslea Universidad del País Vasco/Euskal Herriko Unibertsitateko Ingeniaritza Elektrikoa Sailean. Bere ikerketak prozesu eta produktu industrialak modelatzea eta optimizatzea du helburu; horretarako, datu meatzaritzako, datu espazialen meatzaritzako, soft coumputing arloko eta ikasketa automatikoko sistemen teknikak ezartzen ditu sektore industrialean benetako arazoak ebazteko, bereziki energiaren eta ingeniaritza elektrikoaren arloan. Ikerketa lan hori jasota dago bere lanetan: 33 ikerketa proiektutan (eskualdekoak, nazionalak eta Europakoak) aritu da lankidetzan; 65 artikulu zientifiko indexatu argitaratu ditu; 90 biltzar baino gehiagotara bertaratu da (nazionalak eta nazioartekoak); 12 liburu kapitulu eta 3 liburu argitaratu ditu; eta bi patente sortu ditu. Halaber, esperientzia zabala du nazioartean, ikerketa egonaldiak egin baititu nazioartean ospe handiko hainbat ikastegi eta unibertsitatetan. Nazioarteko harreman horien isla argia dira erakunde horiekin lankidetzan egin dituen ikerketa proiektuak, bai eta egindako lana jasotzen duten argitalpenak ere.

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

Parte hartzaileen kopurua

12

Izen-ematea

Doktoregaiak eskuratuko dituen gaitasunak (99/2011 Errege Dekretua)

• b) Ikerketa edo sortze prozesu bat diseinatu, sortu eta martxan jartzeko gaitasuna.
• c) Ikerketa baten bidez ezagutzaren mugak zabaltzeko gaitasuna.
• d) Ideia berri eta konplexuen azterketa kritikoa, ebaluazio eta sintesia egiteko gaitasuna.
• e) Komunitate akademiko eta zientifikoarekin nahiz jendarte osoarekin komunikatzeko gaitasuna, nazioarteko komunitate zientifikoan ohikoak diren modu eta hizkuntzetan jakintza zabaldu ahal izateko. 
• f) Testuinguru akademiko eta profesionaletan aurrerapen zientifiko, teknologiko, sozial, artistiko eta kulturala sustatzeko gaitasuna, ezagutzan oinarritutako testuinguru batean.

Helburuak

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.

Formatua

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.

Ikastaroaren edukia

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