Última actualización: 09/05/2019


Curso Académico: 2019/2020

Aprendizaje Automático
(18054)
Titulación: Máster Universitario en Ingeniería de la información para la salud (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:




Competencias que adquiere el estudiante y resultados del aprendizaje.
Competencias Básicas CB6 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. CB7 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. CB9 Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades. Competencias generales: CG1 Capacidad para mantener una formación continuada una vez graduado, permitiéndole enfrentarse a tecnologías de nueva aparición. CG2 Capacidad para aplicar los conocimientos de las habilidades y métodos de investigación relacionados con las Ingenierías. CG3 Capacidad para aplicar los conocimientos de las habilidades y métodos de investigación relacionados con las Ciencias de la Vida. CG4 Capacidad para contribuir a la ampliación de las fronteras del conocimiento a través de una investigación original, parte de la cual merezca la publicación referenciada a nivel internacional. Competencias específicas: CE1 Habilidad para conocer las peculiaridades de la adquisición de datos y tratamiento de información en el ámbito de las señales e imágenes biomédicas. CE2 Capacidad para diseñar e implementar sistemas de aprendizaje automático para la resolución de problemas supervisados y no supervisados. CE3 Capacidad para diseñar procedimientos de estimación y decisión a partir de señales e imágenes empleando modelado estadístico.
Descripción de contenidos: Programa
Aprendizaje automático: Introducción al aprendizaje automático. Métodos lineales: regresión lineal y logística. Métodos del núcleo: GPs y SVMs Agrupamiento: K-means y agrupación espectral Reducción de la dimensionalidad: PCA, PLS, selección de características
Actividades formativas, metodología a utilizar y régimen de tutorías
AF3 Clases teórico prácticas AF4 Prácticas de laboratorio AF5 Tutorías AF6 Trabajo en grupo AF7 Trabajo individual del estudiante AF8 Exámenes parciales y finales Código actividad Nº Horas totales Nº Horas Presenciales % Presencialidad Estudiante AF3 100 100 100% AF4 32 32 100% AF5 18 0 0% AF6 90 0 0% AF7 186 0 0% AF8 12 12 100% TOTAL MATERIA 450 138 30,6%
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100
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 y la planificación semanal podrían sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.