Última actualización: 22/04/2019


Curso Académico: 2019/2020

Aplicaciones del Aprendizaje Automático
(12996)
Titulación: Máster Universitario en Técnicas Avanzadas en Comunicaciones (278)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: GOMEZ VERDEJO, VANESSA

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
Aprendizaje Máquina
Competencias que adquiere el estudiante y resultados del aprendizaje.
(CB6) Obtener el conocimiento que permita a los estudiantes establecer las bases para el desarrollo y / o aplicación de ideas originales, a menudo en un contexto de investigación. (CB7) Los estudiantes deberían ser capaces de aplicar sus conocimientos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio (CB9) Los estudiantes deberían ser capaces de comunicar sus resultado, así como los conocimientos y razones que los apoyan, ya sea ante una audiencia especialista o no en el tema y de una manera clara y sin ambigüedades. (CB10) Los estudiantes deben poseer las habilidades de aprendizaje que les permitan continuar estudiando de un modo principalmente autodirigido o autónomo. (GC1) La comprensión del área de estudio y el conocimiento de las habilidades y métodos de investigación relacionados con ese campo. (CG5) Habilidades de comunicación con la comunidad académica y científica y con la sociedad en general acerca de sus áreas de especialización en las formas y lenguajes de usadas habitualmente por la comunidad científica internacional (CE 5) Obtener los conocimientos necesarios para diseñar y llevar a cabo los experimentos, así como analizar e interpretar datos. (EC8) Mejorar sus habilidades en el manejo de técnicas de aprendizaje automático analíticas avanzadas (aprovechando el entrono de Python) y su aplicación a problemas reales.
Descripción de contenidos: Programa
Este curso se divide en 5 bloques temáticos. Los primeros cuatro introducen diferentes métodos de aprendizaje automático y se aplican en ellos varias sesiones de laboratorio, mientras que la última unidad ha propuesto desafío de procesamiento de datos. Estas unidades temáticas se resumen a continuación: 1. Clasificación 2. Reducción de dimensionalidad 3. Selección de características 4.Deep learning 5. Desafío
Actividades formativas, metodología a utilizar y régimen de tutorías
(MD1) Clases del prosefor con apoyo de los medios audiovisuales. Estas clases o pequeñas lecciones contentrán los principales conceptos de la asignatura. Además, se proporcionará bibliografía adicional para complementar el aprendizaje de los estudiantes. (MD2) El profesor recomendará la lectura de textos críticos: Los artículos de prensa, informes, tutoriales y / o artículos académicos. Estas lecturas serán discutidos en las lecciones posteriores se extenderá o extenderán y consolidarán el conocimiento de la materia. (MD3) Resolución, individualmente o en grupo, de casos de estudio, problemas, etc. .... propuestos por el profesor. (MD4) Presentación y discusión en clase, bajo la moderación del profesor, de varios temas relacionados con el contenido de la asignatura y / o clases de prácticas. (MD5) Desarrollo, individualmente o en grupo, de proyectos e informes.
Sistema de evaluación
  • Peso porcentual del Examen Final 60
  • Peso porcentual del resto de la evaluación 40
Bibliografía básica
  • J. Han, M. Kamber. Data Mining. Concepts and Techniques. Morgan Kaufmann. 2001
  • M. W. Berry. Survey of Text Mining : Clustering, Classification, and Retrieval. Springer Verlag. 2004
  • P. Perner. Data Mining on Multimedia Data. Springer Verlag. 2002
  • Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction . Springer. Second Edition February 2009

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.