Procesamiento de Señales con Aprendizaje Automático
(Curso Académico 2025 - 2026)

Mostrar Todo Ocultar Todo

• OPT-CON40 - Identificar los modelos de aprendizaje automático supervisados y no supervisados.
• OPT-CON41 - Reconocer los entornos de aprendizaje automático más populares para Python, Scikit-Learn y SparkML.

• OPT-HAB32 - Aplicar estas técnicas a la vida real a través del IoT.

• OPT-COMP30 - Evaluar el aprendizaje automático avanzado para el procesamiento de señales.

El algebra lineal del aprendizaje.
ML supervisado y no supervisado.
Supervisado: regresión, SVM, árboles de decisión.
No supervisado: Clustering, reducción de dimensionalidad, PCA, TSN.
Técnicas de evaluación y medición.
Procesado de señal en el aprendizaje automático.

En cada tema tanto la bibliografía como el material utilizado se impartirá en inglés.

-La metodología presencial de la asignatura se utiliza conjuntamente con el trabajo autónomo del alumno. Se realizará una
secuenciación de actividades como clases magistrales, actividades en ingles, ejercicios y actividades de laboratorio para
cada tema. Al alumno se le solicita hacer el trabajo de preparación de la teoría simultáneamente con las clases magistrales
para afrontar con mayor seguridad de éxito el resto de competencias y habilidades de cada tema.
Se permite el uso de IA con sentido crítico ya sea para mejorar un texto o valorarlo indicando puntos débiles o elementos de mejora que podría incorporarse. No se permite su uso para la suplantación de las competencias del estudiante en ninguno caso, como puede ser resolver un problema planteado o que realice el código python que se pide realizar. Se debe recordar que la salida de la IA debe considerarse como borrador sobre el que trabajar críticamente y que siempre se debe referenciar su uso.
En caso de situaciones de riesgo declaradas oficialmente, para la programación y realización de las actividades docentes se estará a lo previsto en el plan específico del centro.

Actividades formativas	Horas	Presencialidad [%]
Enseñanza teórica	11,00	100,00
Enseñanza práctica	11,00	100,00
Trabajo personal	49,50	0,00
Asistencia a tutorías	1,00	100,00
Evaluación	2,50	100,00
Total horas
Total ECTS

Machine Learning for Signal Processing, Data Science, Algorithms, and Computational Statistics, Max. A. Little, Oxford University Press, 2019
Hands-On Machine Learning with Scikit-Learn&TensorFlow, Aurélien Géron, O'Reilly, 2017.

- Evaluación continua:

El estudiante será evaluado con pruebas escritas sobre el contenido explicado hasta el momento de la prueba a lo largo del curso. Se realizarán un total de cuatro pruebas cortas de continua y también se le propondrán trabajos que deberán entregar. Cada una de las pruebas cortas y los trabajos entregables debe ser aprobada, de modo que la nota sea más de la mitad de la nota máxima obtenible en cada prueba.
La calificación por continua sera la suma de las pruebas aprobadas con los siguientes pesos, cada prueba de contínua un 12.5% y cada entregable un 25% de la nota total de contínua.
Si alguna de las pruebas no se ha superado, se realizará la prueba o pruebas que no se hayan superado el día de la convocatoria, haciéndose coincidir con la evaluación única, tanto de la primera convocatoria o de la segunda.

Evaluación única:
La evaluación única, tanto en la primera convocatoria como en la segunda,  consistirá en una prueba de las cuatro partes evaluables de la asignatura con lo que se puede obtener el 100% de la nota equivalente a la nota de continua. Estos estudiantes pueden entregar alguno de los trabajos propuestos que le permitirán, cuando se aprueben, mejorar la nota final. Cada trabajo tendrá un valor máximo aditivo del 25% del total de la nota. Una vez alcanzada la máxima nota no se sumarán mas puntos.

 

Pruebas evaluativas	Criterios	Ponderación	Resultados de aprendizaje
Pruebas periódicas y/o examen final	Son cuatro pruebas de continua y la correspondiente prueba única	50,00 %	[OPT-COMP30], [OPT-CON40], [OPT-CON41]
Evaluación de los trabajos y proyectos académicamente dirigidos	Se trata de dos trabajos entregables	50,00 %	[OPT-COMP30], [OPT-CON40], [OPT-CON41], [OPT-HAB32]

 La distribución de los temas por semana es orientativo, puede sufrir cambios según las necesidades de organización docente.
Cada tema se impartirá en  exposición magistral de los contenidos teóricos y ejemplos resueltos de los ejercicios con ejemplos en inglés, luego se trabajaran habilidades de práctica informática.

Semana	Temas	Actividades de enseñanza aprendizaje	Horas de trabajo lectivas	Horas de trabajo autónomo	Total
Semana 8:	El álgebra lineal del aprendizaje.	Teoría, problemas y ejercicios de ordenador.	4.00	6.00	10.00
Semana 9:	Semana Santa		0.00	0.00	0.00
Semana 10:	ML supervisado y no supervisado.	Teoría, problemas y ejercicios de ordenador. Evaluación continua 1	3.00	7.00	10.00
Semana 11:	Supervisado: regresión, SVM, árboles de decisión.	Teoría, problemas y ejercicios de ordenador.	4.00	6.00	10.00
Semana 12:	No supervisado: Clustering, reducción de dimensionalidad, PCA, TSN.	Teoría, problemas y ejercicios de ordenador. Evaluación continua 2	3.00	7.00	10.00
Semana 13:	Técnicas de evaluación y medición.	Teoría, problemas y ejercicios de ordenador.	4.00	6.00	10.00
Semana 14:	Procesado de señal en el aprendizaje automático.	Teoría, problemas y ejercicios de ordenador. Evaluación continua 3	3.00	7.00	10.00
Semana 15:	Procesado de señal en el aprendizaje automático.	Teoría, problemas y ejercicios de ordenador.	4.00	6.00	10.00
Semana 16 a 18:	Evaluación y trabajo autónomo del alumnado.	Evaluación continua 4 Evaluación única.	0.50	4.50	5.00
Total			25.50	49.50	75.00