Última actualización: 11/01/2024


Curso Académico: 2023/2024

Aprendizaje Automático
(19276)
Máster Universitario en Aprendizaje Automático para la Salud (Plan: 480 - Estudio: 359)
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: Obligatoria
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Álgebra Lineal. Cálculo en varias variables. Estadística. Introducción a Aprendizaje automático (o equivalente)
Objetivos
El objetivo de esta asigantura es que el alumno conozca las diferentes técnicas de aprendizaje automático avanzado para resolver problemas de clasificación, regresión y no supervisados, para que luego sea capaz de implementar, entrenar y validar diferentes algoritmos en función de los diferentes tipos de datos disponibles o, incluso, proponer y formular modificaciones de estos o modelos nuevos en función de las necesidades del problema.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
Aprendizaje automático: * Revisión del análisis y preprocesado de datos * Conjuntos para clasificación/regresión * Métodos del núcleo: Support Vector Machines para clasificación y regresión * Procesos Gaussianos * Aprendizaje no supervisado: clustering espectral, detección de novedad * Reducción de la dimensionalidad con métodos núcleo: KPCA, KPLS,... * Selección de características
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS Para el desarrollo del cruso se utilizarán las siguientes actividades formativas AF3 Clases teórico prácticas AF4 Prácticas de laboratorio AF5 Tutorías AF6 Trabajo en grupo AF7 Trabajo individual del estudiante AF8 Exámenes parciales y finales METODOLOGÍA MD1: Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. MD2: Lectura crítica de textos recomendados por el profesor de la asignatura MD3: Resolución de casos prácticos, problemas, etc.... planteados por el profesor de manera individual o en grupo MD4: Exposición y discusión en clase, bajo la moderación del profesor de temas relacionados con el contenido de la materia, así como de casos prácticos MD5: Elaboración de trabajos e informes de manera individual o en grupo Principalmente, las clases se desarrollarán con notebooks de Python con contenido teórico práctico y se complementarán con prácticas a realizar por el estudiante de manera indivual o en grupo. REGIMEN DE TUTORIAS Se establecerán 2 horas a la semana de tutorias para los alumnos donde el profesor estará diosponible en su despacho.
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100

Calendario de Evaluación Continua


Bibliografía básica
  • C. E. Rasmussen. Gaussian Processes for Machine Learning. MIT Press. 2006
  • C. M. Bishop. Pattern Recognition and Machine Learning. Springer. 2006
  • R. O. Duda, P. E. Hart, D. G. Stork. Pattern Classification (2nd ed.). Wiley Interscience. 2001
  • T. Hastie, R. Tibshirani, J. Friedman . The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition . Springer. 2009

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.