Última actualización: 04/06/2021


Curso Académico: 2022/2023

Aprendizaje Automático II
(16498)
Titulación: Doble Grado Ciencia e Ingeniería de Datos - Ingeniería en Tecnologías de Telecomunicación (371)


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
Objetivos
CB1: Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a unnivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio. CB2: Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio CB5: Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía. CE1: Capacidad para la resolución de los problemas matemáticos que puedan plantearse en la ingeniería y ciencia de datos. Aptitud para aplicar los conocimientos sobre: álgebra; geometría; cálculo diferencial e integral; métodos numéricos; algorítmica numérica; estadística y optimización. CE2: Capacidad para identificar correctamente problemas de tipo predictivo correspondientes a unos objetivos y unos datos determinados y emplear los resultados básicos del análisis de regresión como fundamento básico de los métodos de predicción. CE21: Capacidad para utilizar herramientas modernas de optimización para resolver problemas prácticos de forma eficiente. CE3: Capacidad para identificar correctamente problemas de clasificación correspondientes a unos objetivos y unos datos determinados y emplear los resultados básicos del análisis multivariante como fundamento básico de los métodos de clasificación, clustering y reducción de la dimensión. CE4: Capacidad para la modelización matemática, implementación algorítmica y resolución de problemas de optimización relacionados con la ciencia de datos. CE5: Capacidad para comprender y manejar conceptos fundamentales de probabilidad y estadística y ser capaz de representar y manipular datos para extraer información significativa de los mismos. CG2: Conocimiento de materias básicas científicas y técnicas que capaciten para el aprendizaje de nuevos métodos y tecnologías, así como que le dote de una gran versatilidad para adaptarse a nuevas situaciones. CG4: Capacidad para la resolución de los problemas tecnológicos, informáticos, matemáticos y estadísticos que puedan plantearse en la ingeniería y ciencia de datos. CG5: Capacidad para resolver problemas formulados matemáticamente aplicados a diversas materias, empleando algoritmos numéricos y técnicas computacionales. CG6: Capacidad para sintetizar las conclusiones obtenidas de los análisis realizados y presentarlas de manera clara y convincente tanto por escrito como oralmente. CT1: Capacidad de comunicar los conocimientos oralmente y por escrito, ante un público tanto especializado como no especializado. RA1 Haber adquirido conocimientos avanzados y demostrado una comprensión de los aspectos teóricos y prácticos y de la metodología de trabajo en el campo de la ciencias e ingeniería de datos con una profundidad que llegue hasta la vanguardia del conocimiento RA4 Ser capaces de desenvolverse en situaciones complejas o que requieran el desarrollo de nuevas soluciones tanto en el ámbito académico como laboral o profesional dentro de su campo de estudio; RA6 Ser capaces de identificar sus propias necesidades formativas en su campo de estudio y entorno laboral o profesional y de organizar su propio aprendizaje con un alto grado de autonomía en todo tipo de contextos (estructurados o no).
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
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.