Última actualización: 24/01/2022


Curso Académico: 2022/2023

Aprendizaje Automático
(15757)
Titulación: Doble Grado en Ingeniería Informática y Administración de Empresas (233)


Coordinador/a: FERNANDEZ REBOLLO, FERNANDO

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Obligatoria
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Programación Estadística Teoría de Autómatas y Lenguajes Formales Inteligencia Artificial
Objetivos
- Capacidad para resolver problemas, tanto individualmente como en equipo (PO a,b,c,d,e,k) - Trabajo en equipo para analizar y diseñar soluciones informáticas (PO a,b,c,d) - Capacidad de análisis y de síntesis (PO a,b,c) - Capacidad de organización y planificación (PO b,c,d) - Capacidad de gestión de la información (captación y análisis de la información) (PO a,b,k) - Capacidad para tomar decisiones (PO a,b,c,d,e) - Motivación por la calidad y la mejora continua (PO b) - Comunicación oral y escrita (PO g) - Razonamiento crítico (PO a,b,d) - Conocimientos básicos y fundamentales del aprendizaje automático (PO a) - Interpretar las especificaciones funcionales encaminadas al desarrollo de aplicaciones basadas en el aprendizaje automático (PO a,b,c,e) - Realizar el análisis y el diseño detallado de aplicaciones informáticas basadas en el aprendizaje automático (PO a,b,c,e,k) Resultados del aprendizaje: 1. Resolución de problemas, tanto individualmente como en equipo. 2. Análisis y diseño de sistemas de aprendizaje automático 3. Exposición de trabajos en la clase. 4. Trabajos de captación y análisis de información
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción al Aprendizaje automático y al aprendizaje inductivo 2. Técnicas de clasificación y predicción 2.1. Árboles y reglas de decisión 2.2. Árboles y reglas de regresión 2.3. Aprendizaje basado en instancias 2.4 Conjuntos de clasificadores 3. Técnicas no supervisadas 3.1. Agrupación 3.2. Aprendizaje Asociativo 4. Técnicas basadas en el refuerzo 4.1. Procesos de decisión de Markov 4.2. Q-Learning 5. Técnicas aplicadas a la resolución de problemas 5.1. Macro-operadores 5.2. Aprendizaje Basado en Casos 6. Aspectos Metodológicos 6.1 Metodología del Aprendizaje Automático 6.2 Evaluación y Contraste de Hipótesis
Actividades formativas, metodología a utilizar y régimen de tutorías
Clases magistrales (1 crédito ECTS) - Orientadas, entre otras, a las competencias relacionadas con el conocimiento de los conceptos, relaciones entre los mismos, técnicas a utilizar, o formas de analizar y sintetizar conocimiento (PO a) Prácticas en grupos (3 créditos ECTS) - Orientadas, entre otras, a las competencias relacionadas con el trabajo en equipo, la resolución de problemas, la organización del trabajo, o la comunicación oral (presentación de los resultados en público) y escrita (redacción de memorias de los trabajos realizados) (PO b,c,d,e,g,k) Trabajos individuales (2 créditos ECTS) - Orientadas, entre otras, a las competencias relacionadas con la planificación, el análisis y la síntesis, el razonamiento crítico, o el aprendizaje de los conceptos. (PO a,c,e,g)
Sistema de evaluación
  • Peso porcentual del Examen Final 30
  • Peso porcentual del resto de la evaluación 70
Calendario de Evaluación Continua
Bibliografía básica
  • D. Borrajo, J. González y P. Isasi. Aprendizaje automático. Sanz y Torres.
  • E. Rich y K. Knight. Artificial Intelligence. McGraw-Hill.
  • S. Russel y P. Norving. Artificial Intelligence: a modern approach. Prentice Hall. 2003
  • T.M. Mitchell. Machine Learning. McGraw Hill.
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 programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.