Última actualización: 23/04/2024


Curso Académico: 2024/2025

Aprendizaje Automático
(15757)
Grado en Ingeniería Informática (Plan: 489 - Estudio: 218)


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)
Programación (Curso: 1 / Cuatrimestre: 1) Estadística (Curso 2 / Cuatrimestre: 1) Teoría de Autómatas y Lenguajes Formales (Curso 2 / Cuatrimestre 1)) Inteligencia Artificial (Curso 2 / Cuatrimestre 2)
Objetivos
* Comprender las técnicas básicas de Aprendizaje Automático * Aprender a determinar cuándo utilizar Aprendizaje Automático en problemas reales * Aprender a determinar qué técnica es adecuada para cada problema * Aprender a aplicar de forma práctica las técnicas en problemas reales
Competencias y resultados del aprendizaje
Enlace al documento

Descripción de contenidos: Programa
1. Introducción al Aprendizaje Automático 2. Técnicas de clasificación y regresión básicas 3. Técnicas de clasificación y regresión avanzadas 3. Aspectos metodológicos (evaluación, ajuste de hiper-parámetros, preproceso) 4. Técnicas no supervisadas (agrupación, aprendizaje asociativo) 5. Técnicas basadas en refuerzo
Actividades formativas, metodología a utilizar y régimen de tutorías
* Clases magistrales: 1 ECTS. Orientadas, entre otras, al desarrollo de las competencias relacionadas con el conocimiento de los fundamentos, paradigmas y técnicas para construir y evaluar sistemas inteligentes basados en Aprendizaje Automático. * Clases prácticas: 1 ECTS. Tienen por objetivo iniciar el desarrollo de las competencias específicas instrumentales, así como las competencias de resolución de problemas y aplicación de conocimientos. * Pruebas de evaluación continua (trabajo individual): 0,5 ECTS. Orientadas a las competencias relacionadas con el conocimiento de los fundamentos, paradigmas y técnicas para construir y evaluar sistemas inteligentes basados en Aprendizaje Automático. * Trabajos prácticos (en grupo): 3 ECTS. Tienen por objetivo completar e integrar el desarrollo de todas las competencias específicas relacionadas con la resolución e implementación de casos prácticos donde queden bien documentados el planteamiento del problema, la elección del método de resolución, los resultados obtenidos y la interpretación de los mismos. * Tutorías: Asistencia individualizada (tutorías individuales) o en grupo (tutorías colectivas) a los estudiantes por parte del profesor. * Examen final: 0,5 ECTS. Tiene por objeto incidir y complementar en el desarrollo de las capacidades específicas cognitivas, especialmente el análisis, diseño, representación y formalización del conocimiento y aplicación de técnicas para la resolución de problemas.
Sistema de evaluación
  • Peso porcentual del Examen Final 30
  • Peso porcentual del resto de la evaluación 70

Calendario de Evaluación Continua


Convocatoria extraordinaria: normativa
Bibliografía básica
  • D. Borrajo, J. González y P. Isasi. Aprendizaje automático. Sanz y Torres.
  • S. Russel y P. Norving. Artificial Intelligence: a modern approach. Prentice Hall. 2003
  • Sebastian Raschka. Machine Learning with PyTorch and Scikit-Learn. Packt Publishing. 2022
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • Basilio Sierra Araujo (Ed.). Aprendizaje automático: conceptos básicos y avanzados. Aspectos prácticos utilizando el software WEKA. Pearson Education.
  • J. W. Shavlik y T. G. Dietterich (eds.). Readings in Machine Learning. Morgan Kaufmann.
  • P. W. Langley. Elements of Machine Learning. Morgan Kaufmann.
  • R. Sutton and A Barto. Reinforcement Learning: an Introduction. Kluwer Academic Publishers.
  • Saso Dzeroski y Nada Lavrac. Relational Data Mining. Springer Verlag.
(*) 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.