Última actualización: 25/05/2023


Curso Académico: 2023/2024

Aprendizaje Automático en Series Temporales y Flujos de Datos
(19199)
Máster Universitario en Inteligencia Artificial Aplicada (Plan: 475 - Estudio: 378)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: IGLESIAS MARTINEZ, JOSE ANTONIO

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Objetivos
El objetivo de la asignatura es proporcionar al estudiante los conocimientos necesarios sobre la aplicación de técnicas de aprendizaje automático tanto en series temporales como en flujos continuos de datos. El alumno aprenderá los principios fundamentales de la aplicación de aprendizaje automático en este tipo de datos.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
El programa de esta asignatura está dividido en dos partes bien diferenciadas: Series temporales: - Panorámica de las series temporales. - Preparación de datos. - Métodos autoregresivos y automatizados. - Técnicas de aprendizaje supervisado para series temporales. - Aplicaciones. Aprendizaje Incremental: - Panorámica del aprendizaje incremental. - Concept Drift. - Aprendizaje Incremental Supervisado. - Aprendizaje Incremental no supervisado. - Aplicaciones.
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades formativas: -------------------------- AF1 - Clase teórica AF3 - Clases teórico-prácticas AF5 - Tutorías individuales y grupales AF6 - Trabajo en grupo AF7 - Trabajo individual del estudiante Metodología docente: ------------------------ 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: Artículos de prensa, informes, manuales y/o artículos académicos, bien para su posterior discusión en clase, bien para ampliar y consolidar los conocimientos 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
Sistema de evaluación
  • Peso porcentual del Examen Final 20
  • Peso porcentual del resto de la evaluación 80
Calendario de Evaluación Continua
Bibliografía básica
  • Bifet, Albert. Machine Learning for Data Streams: with Practical Examples in MOA. Cambridge: MIT Press. 2018
  • Konar, Amit ; Bhattacharya, Diptendu. Time-Series Prediction and Applications: A Machine Intelligence Approach. Springer International Publishing. 2017
  • Lazzeri, Francesca. Machine Learning for Time Series Forecasting with Python. Newark: John Wiley & Sons. 2020
  • Moamar Sayed-Mouchaweh editor.. Learning from Data Streams in Evolving Environments Methods and Applications. Cham: Springer International Publishing. 2019

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