Universidad Pública de Navarra - Nafarroako Univertsitate Publikoa
Universidad Pública de Navarra
| Código: 507402 | Asignatura: APRENDIZAJE AUTOMÁTICO | ||||
| Créditos: 6 | Tipo: Obligatoria | Curso: 4 | Periodo: 1º S | ||
| Departamento: Estadística, Informática y Matemáticas | |||||
| Profesorado: | |||||
| SESMA SARA, MIKEL (Resp) [Tutorías ] | |||||
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.
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.
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.
Resultados aprendizaje
- RA1. Explicar los conceptos teóricos básicos necesarios para los procesos de aprendizaje.
- RA2. Describir procesos de aprendizaje mediante modelos estadísticos apropiados.
- RA3. Aplicar el aprendizaje bayesiano a problemas de tratamiento de datos.
- RA4. Utilizar herramientas de inferencia bajo el enfoque bayesiano.
- 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.
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 |
Evaluación
| Resultados de aprendizaje |
Actividad de evaluación |
Peso (%) | Carácter recuperable |
Nota mínima requerida |
|---|---|---|---|---|
| RA1, RA2, RA3, RA4, RA7, RA8 | Prueba escrita | 50% | Sí | 5/10 |
| RA1, RA2, RA7, RA8 | Pruebas e informes de trabajo experimental (Prueba práctica) | 30% |
Sí | 5/10 |
| RA1, RA2, RA7 | Presentaciones orales | 5% | No | |
| RA2, RA7, RA8 | Trabajos e informes (Elaboración de trabajos y resolución de problemas relacionados con la materia) | 15% | No |
Nota: La calificación de aquellos estudiantes que no alcancen la nota mínima en las actividades primera o segunda será:
- La media ponderada con los pesos indicados si esta media es menor o igual a 4.
- 4 si la media es mayor que 4.
Temario
- Introducción
- Regresión lineal
- Regresión logística
- Regularización
- Teoría del aprendizaje. Bias, Varianza
- K vecinos más cercanos
- Aprendizaje estadístico
- Redes Neuronales
- Máquinas de Soporte Vectorial (SVM)
- Árboles de decisión
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