Última actualización: 08/05/2019


Curso Académico: 2019/2020

Aprendizaje automático
(17239)
Titulación: Máster U. en Métodos Analíticos para Datos Masivos: Big Data / Master in Big Data Analytics (322)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: MARTÍNEZ OLMOS, PABLO

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

Tipo: Obligatoria
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Materias que se recomienda haber superado
Ninguna
Competencias que adquiere el estudiante y resultados del aprendizaje.
Competencias Básicas: - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación. - Que los estudiantes sepan aplicar los conocimientos adquiridos 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. - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo. Competencias Generales - Aplicar los fundamentos teóricos de las técnicas de recogida, almacenamiento, tratamiento y presentación de información, especialmente para grandes volúmenes de datos, como base para el desarrollo y adaptación de dichas técnicas a problemas concretos. - Identificar las técnicas de análisis de datos mas adecuadas para cada problema y saber aplicarlas para el análisis, diseño y solución de los mismos. - Obtener soluciones prácticas y eficientes para problemas de tratamiento de grandes volúmenes de datos, tanto individualmente como en equipo. - Sintetizar las conclusiones obtenidas de estos análisis y presentarlas de manera clara y convincente en un entorno bilingüe (español e inglés) tanto por escrito como oralmente. - Ser capaz de generar nuevas ideas (creatividad) y de anticipar nuevas situaciones, en los contextos del análisis de datos y de la toma de decisiones. - Utilizar habilidades para el trabajo en equipo y para relacionarse con otros de forma autónoma. Competencias Específicas - Saber diseñar sistemas para el procesamiento de los datos, desde la obtención y filtrado inicial de los mismos, su análisis estadístico, hasta la presentación de los resultados finales - Aplicar los principios básicos y fundamentales del aprendizaje automático al diseño de procedimientos y la mejora de los mismos - Interpretar las especificaciones funcionales encaminadas al desarrollo de aplicaciones basadas en el aprendizaje automático - Identificar la oportunidad de utilizar aprendizaje automático para resolver problemas reales Resultados de aprendizaje - Conocimientos básicos y fundamentales del aprendizaje automático - Comprensión de las técnicas básicas de aprendizaje automático - Utilización de forma práctica de estas técnicas básicas en problemas reales - Capacidad para analizar las tareas más adecuadas para cada técnica - Entender cuándo utilizar aprendizaje automático para resolver problemas reales
Descripción de contenidos: Programa
1. Núcleos y clasificadores de margen grande 2. Procesos gaussianos 3. Mezclas y modelos de variables latentes 4. Modelos de tópicos en cuerpos de documentos 5. Aprendizaje profundo 6. Modelado secuencial con Modelos Ocultos de Markov y Auto-codificadores temporales
Actividades formativas, metodología a utilizar y régimen de tutorías
La asignatura se imparte en aulas y laboratorios específicos para el Programa de Postgrado. Entre otras, se utilizan las siguientes herramientas en la metodología docente: - Clases magistrales para la presentación, desarrollo y análisis de conocimientos sobre los cuales el estudiante es evaluado. - Realización de ejercicios prácticos (problemas, prácticas en laboratorio) de manera individual. - Tutorías en grupo.
Sistema de evaluación
  • Peso porcentual del Examen Final 15
  • Peso porcentual del resto de la evaluación 85
Bibliografía básica
  • Crish Bishop. Pattern Recognition and Machine Learning. Springer . 2006
  • David Barber. Bayesian Reasoning and Machine Learning. Cambridge University Press. 2012
  • Murphy, K.P.. Machine Learning. A Probabilistic Perspective. MIT Press. 2012

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.