Última actualización: 20/05/2022


Curso Académico: 2022/2023

Aprendizaje automático para el análisis de datos
(13728)
Grado en Estadística y Empresa (Plan 2008) (Plan: 146 - Estudio: 203)


Coordinador/a: ALER MUR, RICARDO

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Optativa
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Programación II
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. 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. Métodos avanzados para clasificación y regresión: 4.1. Conjuntos de modelos (ensembles): bagging, Random Forests, boosting 4.2. Máquinas de vectores de soporte
Actividades formativas, metodología a utilizar y régimen de tutorías
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
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
  • Brett Lantz. Machine Learning with R. Packt Publishing. 2019
  • Max Kuhn. Applied Predictive Modeling. Springer. 2013
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • Hadley Wickham, Garrett Grolemund, . R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O'Reilly Media. 2016
Recursos electrónicosRecursos Electrónicos *
Contenido detallado de la asignatura o información adicional para TFM
(*) 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.