Última actualización: 20/05/2022


Curso Académico: 2022/2023

Aprendizaje automático para la toma de decisiones empresariales
(17661)
Titulación: Grado en Empresa y Tecnología (351)


Coordinador/a: ALER MUR, RICARDO

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Obligatoria
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Big Data y Análisis Empresarial
Objetivos
1.) DE CONOCIMIENTO: - Conocer las diferentes tareas que se pueden resolver con aprendizaje automático - Conocer las técnicas de aprendizaje automático y su tipología - Conocer la metodología del aprendizaje automático y las fases que conlleva - Conocer herramientas disponibles para el aprendizaje automático 2.) DE COMPRENSION: - Comprender los fundamentos y las motivaciones del aprendizaje automático - Comprender la metodología de trabajo y las distintas fases del aprendizaje automático - Comprender la utilidad de las diferentes técnicas de aprendizaje automático - Comprender la relación entre complejidad del modelo, cantidad de datos, características del problema y sobreaprendizaje 3.) DE APLICACIÓN: - Analizar los dominios y diseñar procesos de extracción de conocimiento acordes al problema. - Evaluar las prestaciones y eficiencia de los distintos métodos de aprendizaje automático - Trabajar sobre dominios específicos y contrastar distintas técnicas para comprobar su rendimiento en aprendizaje automático 4.) CRITICA O VALORACIÓN - Selección de algoritmos, selección de modelos y ajuste de parámetros. - Considerar la relación entre coste computacional y mejora marginal de diferentes soluciones - Valoración de si los resultados obtenidos son adecuados, comparados con el azar o algoritmos básicos
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción al aprendizaje automático 2. Extracción y exploración de datos 3. Modelos básicos de clasificación y regresión 3.1. Vecino más cercano (KNN) 3.2. Árboles y reglas 4. Metodología: entrenamiento, ajuste de hiper-parámetros, evaluación, pre-proceso 5. Generación y selección de características 6. Modelos avanzados de clasificación y regresión 6.1. Bagging, Random Forest 6.2. Boosting 6.3. Stacking 6.4. Máquinas de vectores de soporte 7. Aprendizaje no supervisado: 7.1. Agrupación (clustering) de datos 7.2. Aprendizaje asociativo
Actividades formativas, metodología a utilizar y régimen de tutorías
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 pruebas de evaluación para adquirir las capacidades necesarias. AF2. TUTORÍAS. Asistencia individualizada (tutorías individuales) o en grupo (tutorías colectivas) a los estudiantes por parte del profesor. AF3. TRABAJO INDIVIDUAL O EN GRUPO DEL ESTUDIANTE. 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. Para asignaturas de 6 créditos se dedicarán 4 horas con un 100% de presencialidad.
Sistema de evaluación
  • Peso porcentual del Examen Final 30
  • Peso porcentual del resto de la evaluación 70
Calendario de Evaluación Continua
Bibliografía básica
  • Aurélien Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media. 2019
  • Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J. Pal . Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann. 2016
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • Max Kuhn. Applied Predictive Modeling. Springer. 2013
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


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