Última actualización: 30/04/2019


Curso Académico: 2019/2020

Aprendizaje Automático
(12994)
Titulación: Máster Universitario en Técnicas Avanzadas en Comunicaciones (278)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: CID SUEIRO, JESUS

Departamento asignado a la asignatura: Departamento de Teoría de la Señal y Comunicaciones

Tipo: Optativa
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Materias que se recomienda haber superado
Ninguno (en relación a otras asignaturas del Máster), ya que es una asignatura del primer cuatrimestre. Sin embargo, es altamente aconsejable disponer de conocimientos básicos sobre estadística.
Competencias que adquiere el estudiante y resultados del aprendizaje.
Al finalizar el curso el alumno comprenderá la naturaleza de los problemas de estimación, decisión y agrupamiento, y conocerá distintas aproximaciones para su resolución. Tomará conciencia de la importancia que tiene en la comprensión de estos problemas el dominio de tres elementos básicos de la teoría de la probabilidad: la verosimilitud, la diferencia entre incertidumbre a priori y a posteriori y el teorema de Bayes. Desde un punto de vista procedimental, el alumno abordará la resolución de estos problemas mediante diferentes técnicas de aprendizaje a partir de datos: técnicas de tipo no paramétrico, basadas en la minimización de riesgo empírico, o en el tratamiento bayesiano del problema. De forma específica, los objetivos que se persiguen en la asignatura, enumerados como competencias, son los siguientes: - capacitar al estudiante en los principios teóricos en que se basan distintas herramientas analíticas y algorítmicas básicas y avanzadas para el Tratamiento de Datos - familiarizar al estudiante con la aplicación de dichas herramientas a casos reales y la extracción de conclusiones - adquirir conocimiento y destreza en el manejo de herramientas clásicas de estimación y clasificación - adquirir conocimiento y destreza en el manejo de herramientas de aprendizaje máquina: redes neuronales, máquinas de vectores soporte, etc. - conocer aproximaciones de última generación basadas en conjuntos de máquinas
Descripción de contenidos: Programa
Tema 0: Introducción general al tratamiento de datos Tema 1: Teoría Bayesiana de la Estimación y de la Decisión 1.1. Visión general de los problemas de estimación y decisión 1.2. Teorema de Bayes. 1.3. Estimación Bayesiana. Estimadores MSE, MAD y MAP 1.4. Estimación ML 1.5. Decisor bayesiano óptimo para el caso binario y de múltiples clases 1.6. Caracterización de decisores binarios Tema 2: Regresión. 2.1. El problema de regresión 2.2. Regresión no paramétrica: k-NN 2.3. Regresión de mínimos cuadrados lineal y polinómica 2.4. Regresión bayesiana 2.5. Procesos gaussianos Tema 3: Clasificación. 3.1. Problema de clasificación. 3.2. Métodos no paramétricos: k-NN 3.3. Regresión logística 3.4. Máquinas de Vectores soporte Tema 4: Agrupamiento de datos 4.1. Algoritmo k-medias 4.2. Agrupamiento espectral
Actividades formativas, metodología a utilizar y régimen de tutorías
CLASES TEÓRICO - PRÁCTICAS Serán sesiones magistrales en las que se presentarán los conceptos básicos de la asignatura, ilustrándolos con numerosos ejemplos. Se dedicarán también numerosas sesiones a la resolución de ejercicios y problemas de carácter similar a los que se plantearán en los exámenes. PRÁCTICAS DE LABORATORIO Sesiones en aula informática de aplicación de los conceptos presentados en la asignatura. El alumno resolverá con ayuda del ordenador problemas de clasificación y estimación con datos reales, evaluando las prestaciones de los sistemas implementados. TRABAJO DE INVESTIGACIÓN Y DISCUSIÓN Se presentarán a los estudiantes un listado de temas relacionados con las áreas de investigación que cubre la asignatura, para que realicen un trabajo sobre alguno de ellos. Dicho trabajo será presentado a la clase en sesiones específicas destinadas a tal fin.
Sistema de evaluación
  • Peso porcentual del Examen Final 25
  • Peso porcentual del resto de la evaluación 75
Bibliografía básica
  • C. E. Rasmussen. Gaussian Processes for Machine Learning. MIT Press. 2006
  • R. O. Duda, P. E. Hart, D. G. Stork. Pattern Classification (2nd ed.). Wiley Interscience. 2001
Bibliografía complementaria
  • C. M. Bishop. Pattern Recognition and Machine Learning. Springer. 2006

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.