Última actualización: 10/06/2021


Curso Académico: 2021/2022

Aprendizaje automático para el análisis de datos
(13728)
Titulación: Grado en Estadística y Empresa (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: - 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
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. 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)
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 20
  • Peso porcentual del resto de la evaluación 80
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
  • Hefin I. Rhy. Machine Learning with R, the tidyverse, and mlr. Manning Publications. 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 y la planificación semanal podrían sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.