Teaching

Current teaching

Postgraduate degrees

  1. Deep Learning. Master’s Programme in Digital Innovation: Data Science (EIT Digital Master School) and MSc. in Data Science. C2. (4.5 ECTS). UPM. Courses 15/16, 16/17, 17/18, 18/19, 19/20.
  2. Graph Analysis and Social Networks. MSc. in Data Science and Master of Science in Health & Medical Data Analytics (EIT Health). C2. (3 ECTS). UPM. Courses 19/20.
  3. Knowledge representation and acquisition. Master in Computational Biology.  C1. Optional. (3 ECTS).  UPM. Courses 18/19, 19/20. Coordinator of the module since 2019/2020.
  4. Web Science. Máster Universitario en Inteligencia Artificial.  C1. Optional. (5 ECTS). UPM. Courses 20/21.
  5. Ontological engineering. Máster Universitario en Inteligencia Artificial.  C1. Optional. (5 ECTS). UPM. Courses 20/21.

Degrees in ETSIINF-UPM

  1. Logic / Lógica. Grado en Matemáticas e Informática; y Grado en Ingeniería Informática. 1er curso. C1 (6 ECTS). UPM. Courses 15/16, 16/17, 18/19, 19/20.

Past teaching

Postgraduate degrees

  1. Softcomputing. Máster Universitario en Ingeniería Informática. C1. (4.5 ECTS). UPM. Course 16/17.

Degrees in ETSIINF-UPM

  1. Data mining / Minería de datos. Grado en Ingeniería Informática. 4º curso. C2 (3 ECTS). Optativa. UPM. Courses 15/16, 16/17, 17/18.
  2. Probabilities and statistics I / Probabilidades y estadística I. Grado en Ingeniería Informática. 1er curso. C2 (6 ECTS). UPM. Courses 15/16, 16/17 (hours compensation).

Degrees in ETSIT-UPM

  1. Computer architecture and operating systems / Arquitectura de computadores y sistemas operativos. Grado en ingeniería biomédica. C2.(8 ECTS). UPM. Course 2014/2015.
  2. Intelligent systems / Sistemas inteligentes. Ingeniero de Telecomunicación. C1. (6cr). 5th course. UPM. Course 2013/2014. link.
  3. Agent-based social simulation / Simulación social basada en agentes. Ingeniero de Telecomunicación. C2. (4cr). UPM. Course 2012/2013.

Degrees in FI-UM

  1. Machine learning / Aprendizaje Computacional. Grado en Ingeniería Informática. C1. UM. Course 2011/2012.
  2. Intelligent systems / Sistemas Inteligentes. Grado en Ingeniería Informática. C1. UM. Course 2011/2012.
  3. Intelligent Systems Applied to Information Retrieval / 033X. Sistemas Inteligentes Aplicados a Recuperación de la Información. Licenciado en Documentación. C2. UM. Course 2010/2011.
  4. Object Oriented Programming / 1577. Programación Orientada a Objetos. Grado en Matemáticas. Course 2010/2011.
  5. Compilers / 1902. Compiladores. Grado en Ingeniería Informática. Course 2010/2011.

Postgraduate seminars and conferences

  1. Development of multiagent systems with INGENIAS / Curso en desarrollo de sistemas multiagente con Ingenias. 2008. Universidad de Vigo.
  2. Introduction to social simulation / Introducción a la simulación social. Máster Universitario en Nuevas Tecnologías en Informática, asignatura “Sistemas Ubicuos Adaptativos”.  Universidad de Murcia. 2013.
  3. Introduction to agent-based social simulation for developing Ubiquitous Adaptive Systems / Introducción a la simulación social basada en agentes para el desarrollo de sistemas ubicuos adaptativos. Seminario en postgrado. Máster Universitario en Nuevas Tecnologías en Informática, asignatura “Sistemas Ubicuos Adaptativos”. Universidad de Murcia. 2014.
  4. Developing and evaluating ambient intelligent systems with UbikSim / Desarrollo y evaluación de sistemas de inteligencia ambiental con UbikSim. Conferencia en “Doctorado en Ingeniería Informática (RD 1393/2007)”. Universidad Complutense de Madrid. 2015.
  5. Machine Learning in Multi-Agent System Analysis. Seminar at the University of Oxford.  2017. link
  6. An introduction to Data Science and Deep Learning. Departamento de Matemática Aplicada a la Ingeniería Aeroespacial, E.T.S.I. Aeronáutica y del Espacio, Universidad Politécnica de Madrid. 2018. 
  7. Ongoing research in Data Science. Grammarly office in Kiev, Ucrania. 2018.
  8. Agent-Based Modelling for studying pension laws and social services. NII in Tokyo, Japan. 2019.
  9. An introduction to Data Science and Deep Learning. Facultad de Informática – Universidade da Coruña (UDC), Octubre 2019.
  10. NLP with Deep Learning. Facultad de Informática – Universidade da Coruña (UDC),  Octubre 2019.
  11. Decatech 2020. UPM Virtual International Summer School 2020. Artificial Intelligence course,  Fundamentals of Machine Learning.

Advising

Doctoral supervisor and Ph.D. students

  • Methodology for Creating Computational Models of Human Behavior applied to the Validation of Intelligent Environments / Metodología para la Creación de Modelos Computacionales de Comportamiento Humano aplicados a la Validación de Entornos Inteligentes. Author: Francisco Campuzano. Supervisors: Juan A. Botía and Emilio Serrano. Thesis defense date: 13/07/2015. link.
  • Towards new forms of interaction between Deep Learning and the Semantic Web. Ph.D. student: Elvira Amador. In progress since 2018.
  • Methods for Convergence of High Computing Performance and Deep Learning. Ph.D. student: Iker Prado. In progress since 2019.

M.Phil. Thesis Supervisor (TFM & PFC)

  1. Diseño e implementación de una herramienta web para el análisis y simulación con MASON de redes sociales. Autor: Daniel Lara. Ingeniería de Telecomunicación ETSIT-UPM. Fecha de lectura: 26/06/2015. (PFC, proyecto fin de carrera, M.S. Degree final project).
  2. Arquitectura multi-agente para sensorización móvil. Autor: Francisco Laport. Máster Universitario en Inteligencia Artificial. Codirector: Javier Bajo.  ETSIINF-UPM. Fecha de lectura: 18/06/2017.
  3. Valoración de Películas Basada en Análisis de Redes Sociales. Autor: Diego Martín Sanz. Codirector: Jacinto González-Pachón.  Máster Universitario en Inteligencia Artificial. ETSIINF-UPM. Fecha de lectura: 05/07/2017. (In the news: link,link,link).
  4. Un servicio web RESTful para el aprendizaje computacional con Big Data en el ámbito de las ciencias sociales. Autor: Pedro del Pozo Jiménez. Máster Universitario en Ingeniería Informática ETSIT-UPM.  Fecha de lectura: 26/06/2017.
  5. Filtrado inteligente de noticias basado en Deep Learning. Autora: Ana Isabel Lopera Martínez. Fecha Lectura: 10/07/2018. Máster Universitario en Ingeniería Informática ETSIT-UPM. Score: 9/10
  6. Valoración de películas basada en Procesamiento del Lenguaje Natural y Deep Learning.  Autor: Rubén Rodríguez Fernández. Codirector: Jacinto González-Pachón. Máster Universitario en Inteligencia Artificial. ETSIINF-UPM. Fecha de lectura: 18/07/2018. Score: 9,5/10
  7. Razonamiento automático sobre Bases de Conocimiento mediante Deep Learning. Autora: Elvira Amador Domínguez. Codirector: Daniel Manrique. Máster Universitario en Inteligencia Artificial. ETSIINF-UPM. Fecha de lectura: 19/07/2018. Score: 10/10
  8. Entrenamiento Evolutivo de Autoencoders. Autor: Dario Goikoetxea Pardo. Codirector: Daniel Manrique. Máster Universitario en Inteligencia Artificial. ETSIINF-UPM. Fecha de lectura: 23/07/2018. Score: 9/10
  9. Construcción de bloques multiplicadores para filtros FIR mediante programación genética guiada por gramáticas. Autor: Javier Rabanillo García. Codirector: Daniel Manrique. Máster Universitario en Inteligencia Artificial. Fecha de lectura: 09/07/2019. Score: 9/10.
  10. Diseño de un modelo, Inteligencias Múltiples como aprendizaje adaptativo en un MOOC. Máster Universitario en E-Learning y Redes Sociales – UNIR. Autora: Mariana del Pilar Viera Díaz. Fecha de depósito: 18/07/2019.
  11. Desarrollo de un entorno de visualización inteligente de análisis de datos médicos. Máster en Análisis y Visualización de Datos Masivos – UNIR. Autora:  Paula Fernández Pérez. Fecha de depósito: 26/07/2019. Score: 9/10.
  12. Deep Learning Multimodal Sensors Odometry based on Calibration. Máster en Análisis y Visualización de Datos Masivos – UNIR.  Autor: Daniel Díez Álvarez. Fecha de depósito: 19/09/2019.
  13. Data Management en soluciones de código abierto: Pentaho versus Talend. Máster en Análisis y Visualización de Datos Masivos – UNIR. Autor: Juan de las Heras Criado. Fecha de depósito: 19/09/2019.
  14. Estudio y ejemplo de uso de tecnologías Big Data para soluciones ambientales. Máster en Análisis y Visualización de Datos Masivos – UNIR. Autor: Luis Ramírez. Fecha de depósito: 19/09/2019.
  15. Una nueva metodología para la predictibilidad del precio diario de la electricidad . Máster en Análisis y Visualización de Datos Masivos – UNIR. Autor: Joaquín  Garcés Narro. Fecha de depósito: 06/02/2020.
  16. IIoT y Big-Data para el Sector de Producción en la industria petrolera. Máster en Análisis y Visualización de Datos Masivos – UNIR. Autor: Brezhnev Joya Miranda. Fecha de depósito: 13/02/2020.
  17. Aprendizaje por refuerzo profundo en simulación social basada en agentes. Autor: Daniel Fernández Pérez. Codirector: Daniel Manrique. Máster Universitario en Inteligencia Artificial. Fecha de lectura: 15/07/2020.

B.S. Degree Thesis Supervisor (TFG)

  1. Estimación del riesgo de no superar una asignatura de evaluación continua mediante aprendizaje computacional. Autor: José Mario López Leiva. Grado en Ingeniería Informática – ETSIINF-UPM. Fecha de lectura: 25/01/2017.
  2. Aplicación web para la generación automática de relaciones de ejercicios científicos.   Autor:  Uriel Javier Aizensztain Goltz. Grado en Ingeniería Informática – ETSIINF-UPM. Fecha de lectura: 26/06/2017.
  3. Una aplicación web para la gamificación orientada a la digitalización de recursos científicos. Autor: Daniel Vieira Escudero. Grado en Ingeniería Informática – ETSIINF-UPM. Fecha de lectura: 27/06/2017.
  4. Generación de música mediante tecnologías de aprendizaje profundo. Autor: Juan Carlos García Torrecilla. Grado en Ingeniería Informática – ETSIINF-UPM. Fecha de lectura: 30/01/2018.  Score: 10/10

Practicum Supervisor (trabajo práctico)

  1. Segmentación poblacional orientada a la detección temprana de la exclusión social.  Master Universitario en Ingeniería Informática. Estudiante: Pedro del Pozo. Tutor profesional de estudio práctico: Javier Bajo. Tutor académico de estudio práctico: Emilio Serrano. 2016/2017.
  2. Diseño y solución de retos para la Biología Computacional y la Ciencia de Datos basados en algoritmos de aprendizaje simbólicos y razonamiento basado en casos. Estudiante: Juan Carlos Garcia Torrecilla. Tutor profesional de estudio práctico: Javier Bajo. Tutor académico de estudio práctico: Emilio Serrano. 2018/2019.
  3. Prácticas académicas externas curriculares. Entidad colaboradora: Accenture SL. Estudiante: Luis Villa Pérez.  Tutor profesional del estudio práctico: Ismael Moreno Mechbal. Tutor académico: Emilio Serrano. 2019/2020.
  4. Prácticas académicas externas curriculares. Entidad colaboradora: ZINKCLOUD S.L. Estudiante: Alberto Doncel Aparicio. Tutor profesional del estudio práctico: Roberto Mariano García. Tutor académico: Emilio Serrano. 2019/2020.

Research on Education

Educational innovation projects

  1. Methods, challenges, and tools for Explainable Artificial Intelligence / Métodos, retos, y herramientas para la Inteligencia Artificial Explicable. Duración: 1/02/2020 – 15/11/2020. Entidad financiadora: Universidad Politécnica de Madrid. Convocatoria 2019 de Ayudas a la Innovación Educativa y a la Mejora de la Calidad de la Enseñanza.  PI: Emilio Serano.
  2. Challenge-based learning for Computational Biology and Data Science / Aprendizaje basado en retos para la Biología Computacional y la Ciencia de Datos. Duración: 01/02/2018 al 15/11/2018. Entidad financiadora: Universidad Politécnica de Madrid. Convocatoria 2017 de Ayudas a la Innovación Educativa y a la Mejora de la Calidad de la Enseñanza. Vídeo de presentación. PI: Emilio Serano.
  3. An approach based on ‘Crowdsourcing’ for the Creation and Improvement of Educational Materials / Un Enfoque basado en ‘Crowdsourcing’ para la Creación y Mejora de Materiales Educativos. Duración: 01/02/2018 al 15/11/2018. Entidad financiadora: Universidad Politécnica de Madrid. Convocatoria 2017 de Ayudas a la Innovación Educativa y a la Mejora de la Calidad de la Enseñanza. PI: Mari Carmen Suárez-Figueroa.
  4. Methods, experiences, and tools for the experiential learning of Data Science / Métodos, experiencias y herramientas para el aprendizaje experiencial de la Ciencia de Datos.  Duración: 01/02/2017 al 15/11/2017. Entidad financiadora: Universidad Politécnica de Madrid. Convocatoria 2016 de Ayudas a la Innovación Educativa y a la Mejora de la Calidad de la Enseñanza. Second prize for the best educational innovation project. PI: Emilio Serano. Vídeo de presentación.

Education conferences & Workshops

  1. Introduction to social simulation as a learning method / Una introducción a la simulación social como método de aprendizaje. Emilio Serrano & Carlos A. Iglesias. XII Congreso Internacional de Educación y Aprendizaje.Universidad CEU San Pablo. Madrid, España.9 – 11 Julio 2015.
  2. Keys for publishing JCR papers / Claves en la publicación de artículos en el JCR. XII Congreso Internacional de Educación y Aprendizaje. Emilio Serrano. Universidad CEU San Pablo. Madrid, España.9 – 11 Julio 2015.
  3. Experiential learning in Data Science: from the dataset repository to the platform of experiences. Emilio Serrano, Martin Molina, Daniel Manrique, and Luis Baumela. Citizen-Centric Smart Cities Services (CCSCS’2017), at the 13th International Conference on Intelligent Environments (IE’17). Link.
  4. Estimación del riesgo de no superar una asignatura de evaluación continua mediante aprendizaje automático. Emilio Serrano, José Mario López, Damiano Zanardini. CINAIC 2017. Congreso Internacional sobre Innovación Educativa.   Link.
  5. Aprendizaje experiencial en ciencia de datos: satisfacción de los estudiantes para tres modelos de enseñanza y aprendizaje. Emilio Serrano, Martin Molina, Daniel Manrique, Luis Baumela, y Damiano Zanardini. CINAIC 2017. Congreso Internacional sobre Innovación Educativa. Link.
  6. Métodos, experiencias y herramientas para el aprendizaje experiencial de la Ciencia de Datos. Emilio Serrano, Daniel Manrique, Martin Molina, y Luis Baumela. Tendencias en Innovación Educativa y su implantación en UPM 2017. V Jornada Aprendizaje Experiencial.
  7. Challenge-based learning in Computational Biology and Data Science. Emilio Serrano, Martin Molina, Daniel Manrique, and Javier Bajo. In ICTERI 2018:  14th International Conference on ICT in Education, Research, and Industrial Applications.
  8. Aprendizaje basado en retos para la biología computacional y la ciencia de datos. Emilio Serrano, Juan Carlos García, Martin Molina, Daniel Manrique y Javier Bajo. Tendencias en Innovación Educativa y su implantación en UPM 2018. Aprendizaje Basado en Retos.
  9. Creating and improving educational materials: an approach based on crowdsourcing. M.C. Suárez-Figueroa, E. Ruckhaus, O. Corcho, M. Molina, E. Serrano, D. Zanardini. 11th annual International Conference of Education, Research and Innovation (ICERI2018).
  10. Métodos, retos, y herramientas para el aprendizaje de la ciencia de datos y la biología computacional. Ponencia en el XXVI Congreso Internacional sobre Aprendizaje, 24-26 de Junio 2019, Universidad de Queen, Belfast, Reino Unido. link. Ponencia virtual en youtube.
  11. A Moderate Experiential Learning Approach Applied on Data Science. Emilio Serrano and Daniel Manrique.  MIS4TEL 2019: 11-18. 9th International Conference in Methodologies and Intelligent Systems for Technology Enhanced Learning. Ávila (Spain) | 26th-28th June, 2019. link.

Education journal publications

  1. Serrano, Emilio, and Carlos Ángel Iglesias. 2016. “Una introducción a la simulación social como método de aprendizaje.” Revista Internacional de Tecnologias en el Aprendizaje 3 (1): 45-52. doi:10.18848/2573-6825 /CGP/v03i01/45-52.  link.
  2. Serrano, Emilio. 2016. “Claves para la producción científica de impacto con estudiantes de posgrado.” Revista Internacional de Aprendizaje en la Educacion Superior 3 (1): 83-89. doi:10.18848/2474-5227/CGP/v03i01/83-89. Emilio Serrano. Revista Internacional de Aprendizaje en la Educación Superior. 2016. link
  3. Serrano, Emilio, and Daniel Manrique. 2019. “Aprendizaje basado en retos para la ciencia de datos: un caso de estudio.” Revista Internacional de Aprendizaje 5 (2): 197-206. doi:10.18848/2575-5544/CGP/v05i02/197-206. link

Keynote speeches

  • “Educational innovation projects in Data Science”, keynote speech at the “1st International Workshop on Data Science EDUcation: Challenges, Opportunities and Trends (DSEDU 2018)”.

Teaching qualifications

Professor evaluations

(based on the recommendations of the Quality Assurance in Higher Education (ENQA))

  • Evaluación positiva de DOCENTIA, valoración de “muy favorable”, cursos 2012/2013 a 2016/2017.

Professor accreditations

(from the ANECA. The National Agency for Quality Assessment and Accreditation of Spain is a Foundation whose aim is to provide external quality assurance for the Spanish Higher Education System and to contribute to its constant improvement through evaluation, certification and accreditation.)

  • Professor / Reader  / Profesor Titular de Universidad.
  • Associate professor /PhD senior lecturer / Profesor Contratado Doctor.
  • Assistant professor / PhD lecturer  /Profesor Ayudante Doctor.
  • Private university professor / Profesor de Universidad Privada.

Teaching courses

(from Institutes of Education Sciences)

  1. CAP, Postgraduate Certificate in Education / certificado de aptitud pedagógica, especialidad tecnología industrial. 300 horas. Año 2007.
  2. CIDU, Introduction to University Teaching / Curso de Introducción a la Docencia Universitaria. 50 horas. Año 2009.
  3. FIPRUMU, Initial formation plan for University Professors / Plan de formación inicial del profesorado. 125 horas. Año 2010.
  4. Formación inicial en prevención de riesgos laborales (docencia e investigación). Año 2011.
  5. Diseño de una web docente con software libre. 4 horas.
  6. Estrategias de estudio para universitarios. 4 horas.
  7. Metodologías activas: estudio de casos, problemas y proyectos. 8 horas.
  8. Redacción de artículos científicos. 4 horas.
  9. Actividades del profesor para mejorar el aprendizaje de los alumnos. 4 horas.
  10. Técnicas básicas en el aula. 6 horas.
  11. Introducción al análisis cuantitativo de datos en ciencias sociales con el SPSS (i) . 8 horas.
  12. Gestión e información de proyectos de investigación en el ámbito de las ciencias sociales. 6 horas.
  13. Evaluación de competencias, nivel básico. 4 horas.
  14. Diseño de una asignatura en modalidad semipresencial según el EEES y el crédito ECTS. 4 horas.
  15. Técnicas para fomentar la colaboración y la participación de los estudiantes. 8 horas.
  16. La carrera docente. 8 horas.
  17. Introducción al estudio de casos como método de enseñanza. 8 horas.
  18. El trabajo en equipo. 4 horas.
  19. Sistema de Generación de Ejercicios Personalizados para el EEEstudiante. 3 horas.
  20. Gamificación en Moodle. 3’5 horas. 2016.
  21. Aprendizaje experiencial. 3 horas. 2017.
  22. Aprendizaje basado en retos. 4 horas. 2018.
  23. Dirección de TFG y TFM: una perspectiva práctica. 3 horas. 2018.
  24. Gestor de referencias bibliográficas EndNote. 3 horas. 2020.
  25. Dónde buscar y publicar artículos de investigación. 8 horas. 2020.

Other courses

(from teachers unions)

  1. Nuevas tecnologías de la información y la comunicación (tic) aplicadas a la educación (110 horas). ANPE Albacete, sindicato independiente.
  2. Uso integrado de las TIC en centros educativos (110 horas). ANPE Albacete, sindicato independiente.
  3. Técnicas para desarrollar la Convivencia en el Centro escolar (40 horas). FUNCAE – Fundación para la calidad de la enseñanza.