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 ] | ERROZ ARROYO, DAVID [Tutorías ] | ||||
Módulo/Materia
Módulo: Mención Computación y Sistemas Inteligentes
Materia: Sistemas Inteligentes
Descripción/Contenidos
El objetivo de esta asignatura es proporcionar a los graduados la formación necesaria para abordar con éxito la creación y aplicación de modelos de aprendizaje automático. La asignatura se centra en el estudio detallado de los algoritmos y técnicas fundamentales del aprendizaje automático, incluyendo los aspectos relacionados con la evaluación de los mismos. A través de un enfoque teórico-práctico, los estudiantes adquirirán habilidades esenciales para desarrollar, evaluar y optimizar modelos de aprendizaje automático aplicables a diversas áreas.
Competencias genéricas
G9 - Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión de Ingeniero Técnico en Informática.
CB1 - Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio
CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética
CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía
T1 - Capacidad de análisis y síntesis
T4 - Resolución de problemas
T7 - Razonamiento crítico
T8 - Aprendizaje autónomo
Competencias específicas
C1 - Capacidad para tener un conocimiento profundo de los principios fundamentales y modelos de la computación y saberlos aplicar para interpretar, seleccionar, valorar, modelar, y crear nuevos conceptos, teorías, usos y desarrollos tecnológicos relacionados con la informática.
C3 - Capacidad para evaluar la complejidad computacional de un problema, conocer estrategias algorítmicas que puedan conducir a su resolución y recomendar, desarrollar e implementar aquella que garantice el mejor rendimiento de acuerdo con los requisitos establecidos.
C5 - Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.
C6-A - Capacidad para conocer los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación.
C8-A - Capacidad para desarrollar y evaluar sistemas de aprendizaje automático incluyendo las técnicas de redes neuronales, árboles de decisión y máquinas de soporte vectorial.
Resultados aprendizaje
R1. Comprender el concepto de sistema inteligente.
R2. Conocer los fundamentos y técnicas propias de los sistemas inteligentes.
R3. Diseñar sistemas inteligentes adecuados para tratar problemas de la vida real.
R4. Manejar y dominar las propiedades, ventajas e inconvenientes relacionados con los principales algoritmos existentes en la literatura.
R5. Identificar y estructurar la información para plantear y resolver problemas de toma de decisión.
R6. Desarrollar Sistemas de Ayuda a la Decisión en distintas áreas de aplicación
R7. Conocer las distintas propuestas dominantes en el campo del Aprendizaje Máquina (Machine Learning).
R8. Comprender la naturaleza inductiva del aprendizaje.
R9. Distinguir las diferentes estructuras posibles de redes neuronales con sus ventajas e inconvenientes.
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 | Actividad de evaluación | Peso (%) | Carácter recuperable | Nota mínima requerida |
| R1, R2, R4, R5, R7, R8, R9 | A1. Examen teórico (una o varias pruebas) | 40% | Recuperable mediante examen teórico | 5 sobre 10 en cada prueba |
| R2, R3, R4, R5, R6, R7, R8, R9 | A2. Examen práctico (una o varias pruebas) | 30% | Recuperable mediante examen práctico | 5 sobre 10 en cada prueba |
| R3, R5, R6, R7, R9 | A3. Trabajos y supuestos prácticos | 20% | Recuperable mediante trabajos | - |
| R1, R2, R3, R4, R5, R6, R7, R8, R9 | A4. Asistencia y participación en clase | 10% | No recuperable | - |
La evaluación de recuperación del primer y segundo apartado (Examen teórico y Examen práctico) consistirán en un examen de cada tipo (uno teórico y otro práctico) donde el estudiante recuperará las partes de la asignatura suspendidas. La calificación final de aquellos estudiantes que no obtengan un 5 sobre 10 en estas actividades 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 tercer 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: Ensembles.
Tema 9: 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: Ensembles, One-vs-One y One-vs-All
Práctica 9: 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