Universidad Pública de Navarra - Nafarroako Univertsitate Publikoa
Universidad Pública de Navarra
| Código: 240610 | Asignatura: APRENDIZAJE AUTOMÁTICO | ||||
| Créditos: 6 | Tipo: Optativa | Curso: | Periodo: 1º S | ||
| Departamento: Estadística, Informática y Matemáticas | |||||
| Profesorado: | |||||
| GALAR IDOATE, MIKEL (Resp) [Tutorías ] | DOMINGUEZ CATENA, IRIS [Tutorías ] | ||||
Metodología
| Metodología - Actividad | Horas Presenciales | Horas no presenciales |
| A-1 Clases magistrales | 30 | |
| A-2 Sesiones prácticas en grupos reducidos | 30 | |
| A-3 Programación/experimentación u otros trabajos en ordenador/laboratorio | 26 | |
| A-5 Elaboración de trabajos y/o proyectos y escritura de memorias | 10 | |
| A-6 Estudio autónomo | 30 | |
| A-7 Resolución de problemas, ejercicios y otras actividades de aplicación | 12 | |
| A-8 Preparación de presentaciones de trabajos, proyectos, etc. | 8 | |
| A-9 Actividades de evaluación | 4 | |
| Total | 64 | 86 |
Evaluación
| Resultado de aprendizaje | Sistema de evaluación | Peso (%) | Carácter recuperable |
| R1, R2, R4, R5, R7, R8, R9 | Examen teórico-práctico (una o varias pruebas) | 50% Nota mínima para que pondere en la calificación final: 5 sobre 10 | Recuperable mediante prueba escrita |
| R3, R5, R6, R7, R9 | Trabajos y supuestos prácticos | 40% | Recuperable mediante trabajos |
| R1, R2, R3, R4, R5, R6, R7, R8, R9 | Asistencia y participación en clase | 10% | No recuperable |
| Sistema de evaluación | Criterios | Instrumentos |
| Examen teórico-práctico (una o varias pruebas) | Identificación de conceptos clave y comprensión de conocimientos teóricos y prácticos de la materia. Resolución de problemas. Respuesta en tiempo, forma y adecuación de contenidos. | 1 examen teórico-práctico a mitad del semestre (temas 1-5). 1 examen teórico-práctico a final del semestre (temas 6-10) |
| Trabajos y supuestos prácticos | Aplicación de los conocimientos en la práctica. Capacidad de análisis y síntesis. Creatividad, innovación, propuestas de mejora. Compromiso por la calidad. Entrega en tiempo y forma del trabajo realizado: implementación y documentación. | Una práctica entregable por tema. Cada práctica incluye un apartado opcional (no es requisito para superar la asignatura) libre para profundizar sobre el mismo. |
| Asistencia y participación en clase | Asistencia y participación en las sesiones. Preparación de los Kahoots. Respuestas de los Kahoots. | Control de asistencia, participación activa. Kahoots de repaso cada día de teoría: un grupo por semana prepara un pequeño test de 10 preguntas y los alumnos compiten en clase. |
La evaluación de recuperación del primer apartado (Examen teórico-práctico) consistirá en un examen donde el estudiante recuperará las partes de la asignatura suspendidas. La calificación final de aquellos estudiantes que no obtengan un 5 sobre 10 en esta actividad será el máximo entre la nota obtenida en la evaluación de recuperación y la obtenida en la actividad antes de recuperarla. La evaluación de recuperación del segundo apartado (Trabajos y supuestos prácticos) consistirá en una nueva entrega de los trabajos entregados a lo largo del curso, pudiendo incluir apartados adicionales.
Temario
Tema 1: Introducción al aprendizaje automático.
Tema 2: Regresión lineal.
Tema 3: Regresión logística.
Tema 4: Regularización.
Tema 5: Teoría del aprendizaje. Bias, Varianza.
Tema 6: Aprendizaje estadístico.
Tema 7: Redes Neuronales.
Tema 8: Máquinas de Soporte Vectorial (SVM).
Tema 9: Ensembles.
Tema 10: Aprendizaje no supervisado. Clustering.
Programa de prácticas experimentales
Práctica 0: Introducción a Python, Numpy y Matplotlib
Práctica 1: Introducción ¿ Recta de regresión
Práctica 2: Regresión lineal con una variable
Práctica 3: Regresión lineal con múltiples variable
Práctica 4: Regresión Logística y Regularización
Práctica 5: Evaluación de modelos - Bias y varianza
Práctica 6: Naïve Bayes y clasificación de Spam
Práctica 7: Redes neuronales y clasificación de dígitos
Práctica 8: Support Vector Machines (SVMs)
Práctica 9: Ensembles, One-vs-One y One-vs-All
Práctica 10: Algoritmo K-means
Bibliografía
Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.
Bibliografía básica
G. Pajares y otros, (2010), Aprendizaje Automático: un enfoque práctico, Ra-Ma. ISBN 978-84-9964-011-2-
Bibliografía adicional
T. Mitchell, (1997), Machine Learning, McGraw Hill. ISBN 0-07-042807-7
T. Hastie, R. Tibshirani, J. Friedman, (2009), The elements of statistical learning, Springer. ISBN: 978-0-387-84858-7, Acceso libre online (https://web.stanford.edu/~hastie/ElemStatLearn/download.html).
R. O. Duda, P. E. Hart, D. G. Stork (2001), Pattern classification (2nd edition), Wiley, New York, ISBN 0-471-05669-3.
C. M. Bishop, C. M. (2006), Pattern Recognition and Machine Learning, Springer, ISBN 0-387-31073-8.
P. Harrington, (2012), Machine Learning in Action, Manning, ISBN: 9781617290183
A. C. Müller, S. Guido, (2016), Introduction to Machine Learning with Python, O¿Reilly Media, Inc. ISBN: 9781449369415