Última actualización: 20/05/2022


Curso Académico: 2022/2023

Aprendizaje Automático
(19101)
Titulación: Grado en Ingeniería Robótica (381)


Coordinador/a: FUENTETAJA PIZAN, RAQUEL

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Obligatoria
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Programación Estadística
Objetivos
* Comprender las técnicas básicas de Aprendizaje Automático * Aprender a determinar cuándo utilizar Aprendizaje Automático en problemas reales * Aprender a determinar qué técnica es adecuada para cada problema * Aprender a aplicar de forma práctica las técnicas en problemas reales
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción al Aprendizaje Automático 2. Técnicas de clasificación y predicción 3. Técnicas no supervisadas 4. Técnicas basadas en refuerzo 5. Aprendizaje relacional 6. Aspectos metodológicos
Actividades formativas, metodología a utilizar y régimen de tutorías
CLASES TEÓRICO-PRÁCTICAS. Se presentarán los conocimientos que deben adquirir los alumnos. Recibirán las notas de clase y tendrán textos básicos de referencia para facilitar el seguimiento de las clases y el desarrollo del trabajo posterior. Se resolverán ejercicios, prácticas problemas por parte del alumno y se realizarán talleres y prueba de evaluación para adquirirlas capacidades necesarias. Para asignaturas de 6 ECTS se dedicarán 44 horas como norma general con un 100% de presencialidad (excepto aquellas que no tengan examen que dedicarán 48 horas) TUTORÍAS. Asistencia individualizada (tutorías individuales) o en grupo (tutorías colectivas) a los estudiantes por parte del profesor. Para asignaturas de 6 créditos se dedicarán 4 horas como norma general con un 100% de presencialidad. TRABAJO INDIVIDUAL O EN GRUPO DEL ESTUDIANTE. Para asignaturas de 6 créditos se dedicarán 98 horas 0% presencialidad. TALLERES Y LABORATORIOS. Para asignaturas de 3 créditos se dedicarán 4 horas con un 100% de presencialidad. Para las asignaturas de 6 créditos se dedicarán 8 horas con un 100% de presencialidad.
Sistema de evaluación
  • Peso porcentual del Examen Final 30
  • Peso porcentual del resto de la evaluación 70
Calendario de Evaluación Continua
Bibliografía básica
  • E. Rich y K. Knight. Artificial Intelligence. McGraw-Hill.
  • S. Russel y P. Norving. Artificial Intelligence: a modern approach. Prentice Hall. 2003
  • T.M. Mitchell. Machine Learning. McGraw Hill.
Bibliografía complementaria
  • J. W. Shavlik y T. G. Dietterich (eds.). Readings in Machine Learning. Morgan Kaufmann.
  • P. W. Langley. Elements of Machine Learning. Morgan Kaufmann.
  • R. Sutton and A Barto. Reinforcement Learning: an Introduction. Kluwer Academic Publishers.
  • Saso Dzeroski y Nada Lavrac. Relational Data Mining. Springer Verlag.

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