Última actualización: 18/05/2020


Curso Académico: 2020/2021

Programación Automática
(16444)
Titulación: Máster Universitario en Ciencia y Tecnología Informática (71)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: ALER MUR, RICARDO

Departamento asignado a la asignatura: Departamento de Informática

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Materias que se recomienda haber superado
Aunque no es necesario, es útil haber cursado alguna asignatura relacionadas con aprendizaje automático (minería de datos, redes de neuronas, computación evolutiva, ...).
Objetivos
- Conocer los distintos tipos de programación automática, sus técnicas asociadas y sus dominios de aplicación. - Conocer como se han aplicado técnicas de la disciplina en distintos dominios reales. - Capacidad para plantear y desarrollar con autonomía trabajos de investigación dentro de la disciplina - Conocer el método científico y los métodos de evaluación rigurosa más comunes dentro de la disciplina, de los resultados obtenidos. - Utilizar herramientas de programación automática y aprendizaje automático avanzado. - Capacidad para comprender artículos de la disciplina, enmarcarlos en un contexto mayor de trabajos ya existentes y analizarlos de manera crítica (analizar si las conclusiones están soportadas por el cuerpo del artículo, si la metodología de comparación es rigurosa, si se trata de un avance significativo o no, etc.). Esta capacidad de análisis crítico la podrá extender el alumno a su propio trabajo de investigación. - Conocer los distintos tipos de publicaciones que existen en la disciplina (surveys/estados de la cuestión, comparaciones empíricas, contribuciones originales, etc.). - Capacidad para realizar comunicaciones orales del trabajo científico realizado. - Capacidad para valorar si es adecuado utilizar técnicas de la disciplina en un problema determinado.
Descripción de contenidos: Programa
1. Introducción 2. Deep Learning: 2.1. Deep Neural Networks 2.2. Recurrent Neural Networks 2.3. Temas avanzados en Deep Learning 3. Métodos basados en computación evolutiva 3.1. Programación Genética 4. Programación lógica inductiva (Inductive Logic Programming/ILP) 4.1. Técnicas clásicas de ILP 4.2. Minería de Datos Relacional 5. Aprendizaje por refuerzo avanzado 5.1. Programación dinámica 5.2. Métodos libres de modelo y basados en el modelo 5.3. Generalización en aprendizaje por refuerzo 5.4. Transferencia de conocimiento en aprendizaje por refuerzo
Actividades formativas, metodología a utilizar y régimen de tutorías
- Clases teórico prácticas - Tutorías - Trabajo individual del estudiante
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100
Bibliografía básica
  • Basilio Sierra Araujo. Aprendizaje Automático: conceptos básicos y avanzados... Pearson Prentice Hall.. 2006
  • Dzeroski S. and Lavrac. Relational Data Mining.. Springer-Verlag. 2001
  • Ian Goodfellow, Yoshua Bengio and Aaron Courville. Deep Learning. MIT Press (http://www.deeplearningbook.org). 2016
  • Koza, John R. Genetic programming : on the programming of computers by natural selection.. MIT PRESS.
  • Lavrac, N. and Dzeroski, S. Inductive Logic Programming: Techniques and Applications. Ellis Horwood, New York. 1994
  • Mitchell, T.M.. Machine Learning. McGraw Hill. 1997
  • R. Sutton y A. Barto.. Reinforcement Learning: an Introduction. The MIT Press. 1998
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • Koza, John R.. Genetic Programming II: Automatic Discovery of Reusable Programs. MIT PRESS.
  • O-Reilly, Una-May et al. (eds.). Evolutionary Computation. Trends in Evolutionary Methods for Program Induction. MIT PRESS.
  • Olsson, J. R.. Inductive functional programming using incremental program transformation. Artificial Intelligence. Vol. 74:1, 55-83. Elsevier. 1995
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


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.