Guía docente de Análisis Predictivo y Aprendizaje Automático en el Desarrollo de Sotfware (M52/56/5/18)

• Aprendizaje supervisado, no supervisado y con reforzamiento
• Aprendizaje automático y paralelismo
• Análisis predictivo
• Aplicación al diseño IoT

En el caso de utilizar herramientas de IA para el desarrollo de la asignatura, el estudiante debe adoptar un uso ético y responsable de las mismas. Se deben seguir las recomendaciones contenidas en el documento de "Recomendaciones para el uso de la inteligencia artificial en la UGR" publicado en esta ubicación:
https://ceprud.ugr.es/formacion-tic/inteligencia-artificial/recomendaciones-ia#contenido0"

Conocimientos o contenidos

C04:Conoce y comprende los fundamentos, técnicas y herramientas para la programación eficiente de algoritmos, identificando las fuentes de concurrencia en su cálculo que se asignarán a los elementos de procesamiento y almacenamiento en función del tipo de arquitectura seleccionada y, en particular, en arquitecturas de altas prestaciones como las unidades de procesamiento de gráficos (GPU).

C08:Conoce las características principales de los sistemas de Internet de la Cosas, su arquitectura, los elementos que lo componen y su rol en el sistema, su capacidad de conectividad y los requerimientos necesarios para su implementación en cuanto a la confiabilidad, rendimiento, seguridad o escalabilidad.

C013:Conoce los modelos modernos de representación de la información sintácticos y semánticos y las herramientas de publicación y tratamiento de datos enlazados abiertos.

Competencias

COM4: Evaluar los diferentes aspectos e implicaciones (sociales, legales, seguridad, éticos, ecológicos, etc.) que se derivan del uso de los dispositivos y plataformas IoT, interfaces hombre-máquina, entornos inteligentes e inmersivos y la transformación digital en el desarrollo de un sistema software.

Habilidades:

HD10: Utiliza herramientas y técnicas avanzadas para el tratamiento de datos para el análisis de los datos que se obtiene eficientemente de los sistemas de adquisición de datos con objeto de extraer conocimiento aplicando técnicas estadísticas y de aprendizaje automático.

1. Evaluación de modelos predictivos.

• Regresión.
• Clasificación.
• Validación y selección de modelos.

2. Modelado de series temporales.

• Ruido blanco.
• Random Walk.
• Autocorrelación.
• Modelos ARIMA.

3. Modelado de secuencias.

• Representación mediante embeddings.
• Codificación posicional.
• Modelos recurrentes (RNN, LSTM y GRU).

4. Arquitectura Transformer.

• Self-attention.
• Scaled Dot-Product Attention.
• Multi-Head Attention.
• Bloque Transformer.
• Entrenamiento.
• Generación autoregresiva.

5. Aplicaciones de arquitecturas Transformer y modelos fundacionales.

• Modelado del lenguaje.
• Generación autorregresiva.
• Modelos fundacionales.
• Aplicaciones en Ingeniería de Software

6. Resultados experimentales e interpretación de modelos.

• Evaluación cuantitativa.
• Selección de hiperparámetros.
• Generalización.
• Reproducibilidad.

1. Línea de base de regresión y evaluación de modelos.
2. Métricas de clasificación y análisis de umbrales.
3. Análisis de series temporales con ARIMA.
4. Implementación de mecanismos de self-attention y multi-head attention en PyTorch.
5. Implementación de un Transformer autoregresivo a nivel de carácter.

• Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media.
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
• Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems (NeurIPS), 2017.
• Jurafsky, D., & Martin, J. H. (2025). Speech and Language Processing (3rd ed., draft). Available online.
• Bishop, C. M., & Bishop, H. (2024). Deep Learning: Foundations and Concepts. Springer.
• Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2023). Dive into Deep Learning. Cambridge University Press.

• Raschka, S., & Mirjalili, V. (2025). Python Machine Learning (5th ed.). Packt Publishing.
• Amatriain, X., & Basilico, J. (2023). Machine Learning Engineering in Action. Manning.
• Tunstall, L., von Werra, L., & Wolf, T. (2022). Natural Language Processing with Transformers. O'Reilly Media.
• Foster, D. (2024). Generative Deep Learning (2nd ed.). O'Reilly Media.
• Alammar, J., & Grootendorst, M. (2024). Hands-On Large Language Models. O'Reilly Media.
• Stevens, E., Antiga, L., & Viehmann, T. (2024). Deep Learning with PyTorch (2nd ed.). Manning.
• Aggarwal, C. C. (2021). Machine Learning for Text. Springer.
• Brown, T. et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems (NeurIPS), 2020.
• OpenAI (2023). GPT-4 Technical Report.

Como apoyo a la enseñanza y aprendizaje de esta asignatura, se usará la Plataforma de Recursos de Apoyo a la Docencia (PRADO) de la Universidad de Granada: https://prado.ugr.es.

Plantilla e instrucciones para el desarrollo de un modelo predictivo basado en Transformers: https://github.com/mcapeltu/transformers_course_2026

Documentación oficial de PyTorch (Estable):   https://docs.pytorch.org/docs/stable/

PyTorch official installation guide:  https://pytorch.org/get-started/locally/

El artículo 18 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que la convocatoria ordinaria estará basada preferentemente en la evaluación continua del estudiante, excepto para quienes se les haya reconocido el derecho de evaluación única final.

Se realizará una evaluación continua del trabajo del estudiante, valorando tanto los conocimientos adquiridos como las competencias alcanzadas.

Modalidad presencial

Para la evaluación en modalidad presencial se tendrán en cuenta los siguientes sistemas de evaluación, indicándose entre paréntesis el rango del porcentaje con respecto a la calificación final del estudiante.

SE1 (50%):Actividades realizadas durante el desarrollo del curso mediante la entrega de ejercicios, trabajos e informes a través de la plataforma docente.

SE2 (40%): Actividades realizadas después de finalizar el curso mediante la entrega de ejercicios, trabajos e informes a través de la plataforma docente.

SE5 (10%): Asistencia y participación activa.

Modalidad virtual

SE2 (40%): Actividades realizadas después de finalizar el curso mediante la entrega de ejercicios, trabajos e informes a través de la plataforma docente.

SE6 (10%): Participación activa en foros de debate o de recogida de información.

SE7 (20%): Presentación pública de trabajos o ejercicios sincrónica.

SE9 (30%): Cuestionarios on-line sobre los contenidos teóricos y prácticos de la asignatura.

--------------------------------

Se pedirá la entrega en tiempo y forma de las actividades propuestas a través de la plataforma PRADO. Con el fin de garantizar la autoría efectiva y la adquisición de competencias previstas en la asignatura, en cualquiera de sus modalidades de impartición, el profesorado podrá requerir, en cualquier momento del proceso de evaluación, la defensa oral, demostración práctica o explicación técnica de cualquiera de los trabajos, ejercicios, proyectos o actividades entregados por el estudiante. La superación satisfactoria de dicha defensa podrá considerarse un requisito para validar la autoría y evaluación del trabajo presentado.

El artículo 19 de la Normativa de Evaluación y Calificación de los Estudiantes de la Universidad de Granada establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación final.

La evaluación de los estudiantes en la convocatoria extraordinaria se regirá por los mismos criterios y constará de las mismas pruebas establecidas para la evaluación única final.

La evaluación consistirá en una prueba única compuesta por:

• Parte teórica: cuestionario y resolución de problemas.
• Parte práctica: implementación y justificación de un modelo predictivo utilizando alguna de las técnicas estudiadas durante la asignatura.

Siguiendo las indicaciones recogidas en el artículo 15 de la Normativa de Evaluación y de Calificación de la Universidad de Granada sobre la originalidad de los trabajos presentados por los estudiantes, se informa de lo siguiente:

1. La Universidad de Granada fomentará el respeto a la propiedad intelectual y transmitirá a los estudiantes que el plagio es una práctica contraria a los principios que rigen la formación universitaria. Para ello, procederá a reconocer la autoría de los trabajos y su protección, de acuerdo con la propiedad intelectual, según establezca la legislación vigente.

2. El plagio, entendido como la presentación de un trabajo u obra hecho por otra persona como propio o la copia de textos sin citar su procedencia y dándolos como de elaboración propia, conllevará automáticamente la calificación numérica de cero en la asignatura en la que se hubiera detectado, independientemente del resto de las calificaciones que el estudiante hubiera obtenido. Esta consecuencia debe entenderse sin perjuicio de las responsabilidades disciplinarias en las que pudieran incurrir los estudiantes que plagien.

3. Los trabajos y materiales entregados por parte de los estudiantes tendrán que ir firmados con una declaración explícita en la que se asume la originalidad del trabajo, entendida en el sentido de que no ha utilizado fuentes sin citarlas debidamente.