Última actualización: 04/06/2021


Curso Académico: 2021/2022

Aprendizaje Automático
(18773)
Titulación: Máster Universitario en Matemática Aplicada y Computacional (372)
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:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Álgebra Lineal. Cálculo en varias variables. Estadística.
Objetivos
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 Reunir e interpretar datos de carácter matemático que puedan ser aplicados a otras áreas del conocimiento científico. CG2 Aplicar los conocimientos adquiridos y poseer capacidad de resolución de nuevos problemas relacionados con las Matemáticas. CG3 Ser capaz de fomentar nuevos desarrollos científico-tecnológicos en un entorno laboral. CG6 Ser capaz de estudiar e investigar de forma autónoma. Competencias específicas: CE12 Tener habilidad para conocer las peculiaridades de la adquisición de datos y el tratamiento de información. CE13 Capacidad para diseñar e implementar sistemas de aprendizaje automático para la resolución de problemas supervisados y no supervisados. CE14 Adquirir un espíritu emprendedor e innovador.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción al aprendizaje automático. 2. Métodos lineales: regresión lineal y logística. 3. Métodos del núcleo: GPs y SVMs. 4. Agrupamiento: K-means y agrupación espectral. 5. 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%
Sistema de evaluación
  • Peso porcentual del Examen Final 10
  • Peso porcentual del resto de la evaluación 90
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.