Ficha

English version

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: 3º

Cuatrimestre: 2º

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

¿	Comprender y diseñar sistemas de aprendizaje automático, entendiendo sus 	limitaciones y aplicaciones
¿	Conocer, construir y evaluar diferentes técnicas de aprendizaje automático aplicándolo a casos prácticos

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

La nota final corresponderá en un 40% a las actividades individuales del alumno y un 60% a las actividades de equipo. Dentro de las actividades individuales se tendrán en cuenta las actividades individuales realizadas durante el curso y un examen final. 

En concreto, las actividades a realizar son:

- Exámenes Parciales (10%): exámenes de carácter teórico que permiten evaluar los conocimientos adquiridos por los alumnos a nivel teórico a través del estudio de la bibliografía básica y avanzada. 

- Examen Final (30%): examen de carácter teórico-práctico que requiere un conocimiento global sobre los principales conceptos del aprendizaje automático.

- Tutoriales y prácticas (60%):  los tutoriales estarán relacionados con el uso de herramientas y técnicas de Aprendizaje Automático; las prácticas estarán relacionadas con la construcción de aplicaciones prácticas que requieran la representación de conocimiento para el análisis, diseño e implementación de soluciones informáticas en entornos inteligentes basadas en aprendizaje automático.

La nota final es la suma de los examenes parciales, de las prácticas y del examen final. Para aprobar la asignatura es necesario ambos:
- Obtener al menos un 50% sumando todas las notas (examenes parciales, prácticas, examen final)
- Obtener una nota mínima en el examen final de al menos 3 puntos sobre 10.

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 Electrónicos *

Scikit-learn team · Scikit-learn: Machine Learning in Python : https://scikit-learn.org/stable/

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.