Última actualización: 25/04/2024


Curso Académico: 2024/2025

Aprendizaje Automático
(19204)
Máster Universitario en Inteligencia Artificial Aplicada (Plan: 475 - Estudio: 378)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: SAEZ ACHAERANDIO, YAGO

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Conocimientos básicos de estadística y programación
Objetivos
En este curso se cubren los fundamentos principales del aprendizaje automático, desde un enfoque muy práctico se va a programar a un ordenador para que sea capaz de construir modelos que le permitan aprender conceptos o reconocer patrones, y que sea capaz de clasificarlos y/o predecir otros a partir de nuevos datos, y todo ello sin ser programado de manera explícita.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción al aprendizaje automático y al aprendizaje inductivo 2. Aprendizaje supervisado I: árboles y reglas de decisión 3. Evaluación y validación de modelos de aprendizaje 4. Metodología del aprendizaje automático 5. Aprendizaje supervisado II: árboles de regresión, aprendizaje basado en instancias y conjuntos de clasificadores 6. Técnicas de aprendizaje no supervisado y semi-supervisado 7. Aprendizaje relacional
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades formativas AF1 - Clase teórica AF2 - Clases prácticas AF3 - Clases teórico prácticas AF5 - Tutorías AF6 - Trabajo en grupo AF7 - Trabajo individual del estudiante AF8 - Exámenes parciales y finales -> Presentaciones y/o defensas parciales y finales Metodología docente MD1 - 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 proporciona la bibliografía para complementar el aprendizaje de los alumnos. MD2 Lectura crítica de textos recomendados por el profesor de la asignatura: artículos, informes, videos, tutoriales, etc., bien para su posterior discusión en clase, bien para ampliar y consolidar los conocimientos de la asignatura. MD3 Resolución de casos prácticos, problemas, etc. planteados por el profesor de manera individual o en grupo MD5 Elaboración de trabajos e informes de manera individual o en grupo
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100

Calendario de Evaluación Continua


Bibliografía básica
  • Aurélien Geron. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly. 2017
  • Crish Bishop. Pattern Recognition and Machine Learning. Springer. 2006
  • Murphy, K.P.. . Machine Learning. A Probabilistic Perspective. MIT Press. 2012
Recursos electrónicosRecursos Electrónicos *
(*) 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.