Programación II

1.) DE CONOCIMIENTO: - Dominar los conceptos básicos sobre la extracción de conocimiento a partir de datos - Conocer las diferentes tareas que se pueden resolver con aprendizaje automático - Conocer las técnicas de aprendizaje automático y su tipología - Conocer la metodología de extracción de conocimiento y las fases que conlleva - Conocer herramientas disponibles para la extracción de conocimiento 2.) DE COMPRENSION: - Comprender los conceptos básicos de la extracción del conocimiento - Comprender los fundamentos y las motivaciones de la minería de datos - Comprender la metodología de trabajo y las distintas fases de extracción de conocimiento - Comprender la utilidad de las diferentes técnicas de extracción de conocimiento - Comprender las diferencias de diferentes representaciones: proposicionales y relacionales - 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 extracción de conocimiento - Trabajar sobre dominios específicos y contrastar distintas técnicas para comprobar su rendimiento en la extracción de conocimiento 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

1. Introduccion al aprendizaje automático 2. Métodos básicos para clasificación y regresión: 2.1 Vecino más cercano (KNN) 2.2 Árboles y reglas 3. Metodología en aprendizaje automático 3.1. Entrenamiento de modelos 3.2. Ajuste de hiper-parámetros 3.3. Evaluación de modelos 3.4. Preproceso de datos y selección de atributos 4. Aprendizaje automático con R y con la librería MLR (mlr3). 5. Métodos avanzados para clasificación y regresión: 5.1. Conjuntos de modelos (ensembles): bagging, Random Forests, boosting 5.2. Máquinas de vectores de soporte 6. Breve introducción al aprendizaje automático en Python (librería scikit-learn)

La asignatura se impartirá mediante lecciones magistrales las clases de teoría y mediante clases tutoradas las clases prácticas. Las clases magistrales estarán enfocadas a enseñar todos los conceptos relativos a aprendizaje automático. Las clases prácticas (grupos reducidos) se desarrollarán para que, de un modo tutorado, el alumno aprenda a resolver problemas reales . Las prácticas se realizarán en grupos de 2 personas. Existirán varias prácticas relacionadas con los distintos temas de la asignatura. Se realizarán tutorías para ayudar en una comprensión mas personalizada de los temas teóricos y prácticos