Última actualización: 19/05/2022


Curso Académico: 2022/2023

Aprendizaje Automático II
(16498)
Titulación: Grado en Ciencia e Ingeniería de Datos (350)


Coordinador/a: PARRADO HERNANDEZ, EMILIO

Departamento asignado a la asignatura: Departamento de Teoría de la Señal y Comunicaciones

Tipo: Obligatoria
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Ninguna
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
En este curso se introducen los conceptos avanzados de aprendizaje maquina. En la primera parte del curso se detallan los métodos de clasificación no lineal y sus propiedades. En la segunda parte del curso se analizar los métodos avanzados de aprendizaje no supervisado. En la ultima parte del curso se analizaran los temas de transferencia de aprendizaje. PARTE 1: Clasificación y Regresión no lineal Métodos núcleo (kernel methods) Ensemble methods (boosting y random forests) Procesos Gaussianos para regresión y clasificación PARTE 2: Aprendizaje no supervisado Introducción a los modelos gráficos Modelos latentes Modelos Bayesianos no paramétricos PARTE 3: Aprendizaje Multi-tarea Transferencia de aprendizaje
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades formativas: AF1: CLASES TEÓRICO-PRÁCTICAS. En ellas se presentarán los conocimientos que deben adquirir los alumnos. Estos recibirán las notas de clase y tendrán textos básicos de referencia para facilitar el seguimiento de las clases y el desarrollo del trabajo posterior. Se resolverán ejercicios, prácticas problemas por parte del alumno y se realizarán talleres y prueba de evaluación para adquirir las capacidades necesarias. AF2:  Actualizado a alegación AF3: TRABAJO INDIVIDUAL O EN GRUPO DEL ESTUDIANTE. AF9: EXAMEN FINAL. En el que se valorarán de forma global los conocimientos, destrezas y capacidades adquiridas a lo largo del curso. Metodología docente: MD1: CLASE TEORÍA. Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporcionan los materiales y la bibliografía para complementar el aprendizaje de los alumnos. MD2: PRÁCTICAS. Resolución de casos prácticos, problemas, etc. planteados por el profesor de manera individual o en grupo. MD3: TUTORÍAS. Asistencia individualizada (tutorías individuales) o en grupo (tutorías colectivas) a los estudiantes por parte del profesor.
Sistema de evaluación
  • Peso porcentual del Examen Final 30
  • Peso porcentual del resto de la evaluación 70
Calendario de Evaluación Continua
Bibliografía básica
  • Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer. 2006
Bibliografía complementaria
  • Kevin P. Murphy. Machine Learning: A Probabilistic Perspective. The MIT Press. 2012

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.