Universidad Pública de Navarra



Año Académico: 2020/2021
Graduado o Graduada en Ciencia de Datos por la Universidad Pública de Navarra
Código: 505304 Asignatura: APRENDIZAJE AUTOMÁTICO
Créditos: 6 Tipo: Obligatoria Curso: 3 Periodo: 1º S
Departamento: Estadística, Informática y Matemáticas
Profesorado:
SESMA SARA, MIKEL (Resp)   [Tutorías ]

Partes de este texto:

 

Módulo/Materia

  • Nivel 1: Aprendizaje.
  • Nivel 2: Aprendizaje.

Subir

Descripción/Contenidos

Aprendizaje basado en ejemplos. Análisis del bias. Aprendizaje automático e inteligente. Máquinas de soporte vectorial. Ensembles. Análisis del clúster. Perceptrón multicapa. Aprendizaje bayesiano. 

Subir

Competencias genéricas

  • CG4 -Saber utilizar los procesos teóricos y aplicados que permiten extraer información a partir de conjuntos de datos de naturaleza homogénea u heterogénea, en particular cuando se trata de grandes volúmenes de datos.
  • CG5 -Identificar las soluciones más adecuadas y efectivas para los problemas que se planteen el marco de la Ciencia de Datos, teniendo en cuenta tanto las características propias del problema como el entorno del mismo.
  • CB2 -Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.

Subir

Competencias específicas

  • CE15 -Ser capaces de pensar críticamente sobre los datos, identificando los modos de almacenamiento, pre-procesamiento y análisis más adecuados para los objetivos del estudio.
  • CE16 -Manejar los métodos de aprendizaje tanto estadísticos como automáticos aplicados a conjuntos de datos.

Subir

Resultados aprendizaje

  • RA1. Explicar los conceptos teóricos básicos necesarios para los procesos de aprendizaje.
  • RA3. Aplicar el aprendizaje bayesiano a problemas de tratamiento de datos.
  • RA7. Construir sistemas automáticos e inteligentes para el aprendizaje a partir de datos.
  • RA8. Evaluar qué sistema de aprendizaje es el más apropiado para un problema dado.

Subir

Metodología

Metodología - Actividad 

Horas presenciales 

Horas no presenciales 

A1- Clases expositivas 

28 

¿ 

A2- Prácticas 

28 

¿ 

A3- Realización de trabajos/proyectos en grupo 

 

10 

A4-Estudio y trabajo autónomo del estudiante 

¿ 

78 

A5- Tutorías 

¿ 

2 

A6- Pruebas de evaluación 

4 

¿ 

Total 

60 

90 

Subir

Evaluación

Resultado de aprendizaje 

Sistema de evaluación 

Peso (%) 

Carácter recuperable 

RA1, RA3, RA7, RA8 

Prueba escrita. Se requiere un 5/10 en esta prueba para poder aprobar la asignatura. 

50% 

RA1, RA7 

Presentaciones orales 

10% 

No

RA7, RA 

Elaboración de trabajos y resolución de problemas relacionados con la materia 

35% 

No

RA1, RA3, RA7, RA8 

Participación activa 

5% 

No

Subir

Temario

  • Regresión lineal
  • Regresión logística
  • Regularización
  • Teoría del aprendizaje. Bias, Varianza
  • Aprendizaje estadístico
  • Redes Neuronales
  • Máquinas de Soporte Vectorial (SVM)
  • Ensembles
  • Aprendizaje no supervisado. Clustering

Subir

Bibliografía

Acceda a la bibliografía que el profesorado de la asignatura ha solicitado a la Biblioteca.


La bibliografía básica de la asignatura es la que sigue:

  • Gonzalo Pajares,¿Aprendizaje Automatico, Ra-Ma, 2010

La bibliografía complementaria de la asignatura es la que sigue:

  • Mitchell, T. (1997).¿Machine Learning, McGraw Hill.¿ISBN 0-07-042807-7
  • Trevor Hastie, Robert Tibshirani, Jerome Friedman, The elements of statistical learning, Springer. Acceso libre online
  • Bishop, C. M. (2006), Pattern Recognition and Machine Learning, Springer, ISBN¿0-387-31073-8

Subir

Idiomas

Castellano

Subir

Lugar de impartición

Universidad Pública de Navarra, Campus Arrosadía.

Subir