Universidad Pública de Navarra



Año Académico: 2023/2024 | Otros años:  2022/2023  |  2021/2022 
Graduado o Graduada en Ingeniería Informática por la Universidad Pública de Navarra (Programa Internacional)
Código: 250610 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 ]

Partes de este texto:

 

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

Subir

Relación actividades formativas-competencias/resultados de aprendizaje

Actividad formativa Competencia
A-1 Clases magistrales G9, T4, T7, C1, C3, C5, C6-A, C8-A
A-2 Sesiones prácticas en grupos reducidos G9, CB1, CB3, T1, T4, T7, T8, C1, C3, C5, C6-A, C8-A
A-3 Programación/experimentación u otros trabajos en ordenador/laboratorio G9, CB1, CB3, T1, T4, T7, T8, C1, C3, C5, C6-A, C8-A
A-5 Elaboración de trabajos y/o proyectos y escritura de memorias G9, CB1, CB3, T1, T4, T7, C6-A, C8-A
A-6 Estudio autónomo G9, CB1, T1, T4, T7, T8, C8-A
A-7 Resolución de problemas, ejercicios y otras actividades de aplicación G9, CB1, CB3, T1, T4, T7, T8, C1, C3, C5, C8-A
A-8 Preparación de presentaciones de trabajos, proyectos, etc. G9, CB3, T4, T7, C8-A
A-9 Actividades de evaluación G9, CB1, CB3, T1, T4, T7, C1, C3, C5, C8-A

Subir

Idiomas

Castellano, parte del material está en Inglés.

Subir

Evaluación

 

Resultado de aprendizaje Actividad de evaluación Peso (%) Carácter recuperable Nota mínima requerida
 R1, R2, R4, R5, R7, R8, R9 A1. Examen teórico-práctico (una o varias pruebas).  40% Recuperable mediante prueba escrita 5 sobre 10 en cada prueba
 R3, R5, R6, R7, R9 A2. Trabajos y supuestos prácticos  30% Recuperable mediante trabajos -
 R3, R4, R5, R6, R7, R8, R9 A3. Realización y presentación de trabajos  20% Recuperable mediante trabajos -
 R1, R2, R3, R4, R5, R6, R7, R8, R9 A4. Asistencia y participación en clase  10% No recuperable -
 
 
 

 

Actividad de evaluación Criterios Instrumentos
A1. 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) 
A2. 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.
A3. Realización y presentación de trabajos 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. Realización de trabajo final. Posibilidad de defensa pública (síncrona o asíncrona) evaluable.
A4. 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. La evaluación de recuperación del tercer apartado (Realización y presentación de trabajos) consistirá en la realización de un nuevo trabajo final de la asignatura

Subir

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.

Subir

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

Subir

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

 

Subir