Aprenentatge (A)

L'objectiu de l'assignatura es donar una visió de l'àrea de l'aprenentatge automàtic dins de l'Intel.ligència Artificial. Es tractaran tècniques i algorismes que permeten a un sistema proposar un model basat en exemples i millorar el seu rendiment a partir de l'experiència. Com complement es presentaran aplicacions pràctiques de la seva utilització en temes d'anàlisi i mineria de dades.

Coneixements

1. Abast i necessitat de l'aprenentatge automàtic
2. Coneixements teòrics i practics de les diferentes àrees de l'aprenentatge automàtic
3. Coneixement sobre les aplicacions actuals de les técniques d'aprenentatge automàtic

Habilitats

1. Anàlisi de les necesitat de tècniques d'aprenentatge automàtic per problemes complexos
2. Utilització d'eines d'aprenentatge automàtic

Competències

1. Capacitat de resoldre problemes aplicant els mètodes de la ciència i l'enginyeria
2. Capacitat per crear i utilitzar models de la realitat.
3. Capacitat per dissenyar i dur a terme experiments, i d'analitzar-ne els resultats.

La metodologia consistirà en l'exposició de la teoria en classes de teoria, la ressolució de problemes a les classes de problemes i l'aplicació pràctica dels conceptes en les classes de laboratori.

L'avaluació consta d'un examen final, un examen parcial, problemes fets durant el curs i una nota de laboratori. Els exàmens final i parcial estaràn enfocats a avaluar els coneixements teòrics i metodològics de l'assignatura. La nota de laboratori s'obtindrà de l'avaluació dels informes realitzats sobre un conjunt de pràctiques de laboratori, que es desenvoluparan al llarg del curs. La nota de problemes s'obtindrà mitjançant l'entrega de petits problemes proposats durant el curs.

A mitjans de quadrimestre hi haurà un examen parcial amb caràcter alliberatori de la primera part del temari (allibera la primera part en cas d'obtenir una nota mínima de 5). L'examen final avaluarà tant la primera com la segona part del curs. La primera és obligatòria pels estudiants que no varen superar l'examen parcial i optativa per la resta. Com a nota de la primera part s'agafarà el màxim de les dues notes obtingudes o la única obtinguda al parcial, segons sigui el cas.

El càlcul de la nota final es farà de la següent manera:

NPar = nota examen parcial
NEx1 = nota primera part examen final
NEx2 = nota segona part examen final

Nota Examen = [màxim(Npar, NEx1) + Nex2]/2

Nota final= Nota Examen * 0.4 + Nota problemes * 0.3 + Nota Laboratori * 0.3

• Mitchell, Tom Machine Learning, McGraw Hill, 1997.
• Ian H. Witten, Eibe Frank Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations, Morgan Kaufmann Publishers, .
• Hertz, Krogh, Palmer Introduction to the Theory of Neural Computation, Addison Wesley, .
• R. Hecht-Nielsen Neurocomputing, Addison Wesley, 1991.
• Jose Hernandez, Ma Jose Ramirez, Cesar Ferri Introducción a la minería de datos, Pearson/Prentice Hall, 2004.

• G. Briscoe, T. Caelli A compendium of machine learning, Ablex Pub. Corp, 1996.
• Pat Langley Elements of Machine Learning, Morgan Kaufmann, 1996.
• U. Fayyad, G. Piatetsky-Shapiro, P. Smyth, R. Uthurusamy (Eds) Advances in Knowledge Discovery and Data Mining, AAAI Press, MIT Press, 1996.
• Alpaydin, Ethem Introduction to Machine Learning, The MIT Press, 2004.

1. http://www.lsi.upc.es/~bejar/apren/apren.html
   Pàgina oficial de l'assignatura

Els alumnes hauran d'haver cursat prÈviament l'assignatura Intel·ligència Artificial.