Aprendizaje (A)

El objetivo de la asignatura es ofrecer una visión del área del aprendizaje automático dentro de la inteligencia artificial. Se tratarán técnicas y algoritmos que permiten a un sistema proponer un modelo basado en ejemplos y mejorar su rendimiento a partir de la experiencia. Como complemento se presentarán aplicaciones prácticas de su utilización en temas de análisis y minería de datos.

Conocimientos

1. Alcance y necesidad del aprendizaje automático.
2. Conocimientos teóricos y prácticos de las diferentes áreas del aprendizaje automático.
3. Conocimiento sobre las aplicaciones actuales de las técnicas de aprendizaje automático.

Habilidades

1. Análisis de la necesidad de técnicas de aprendizaje automático para problemas complejos.
2. Uso de herramientas de aprendizaje automático.

Competencias

1. Capacidad para resolver problemas aplicando los métodos científicos y de la ingeniería.
2. Capacidad para crear y usar modelos de la realidad.
3. Capacidad para diseñar, realizar experimentos y analizar los resultados.

La metodología consistirá en la exposición de la teoría en clases de teoría, la resolución de problemas en las clases de problemas y la aplicación práctica de los conceptos en las clases de laboratorio.

La evaluación consta de un examen final, problemas hechos durante el curso y una nota de laboratorio. El examen final se enfocará en evaluar los conocimientos teóricos de la asignatura. La nota de laboratorio se obtendrá de la evaluación de los informes realizados con un conjunto de prácticas de laboratorio que se desarrollarán a lo largo del curso. La nota de problemas se obtendrá mediante la entrega de pequeños problemas propuestos durante el curso.

El cálculo de la nota final se hará de la siguiente manera:



Nota final= Nota Examen * 0.4 + Nota Problemas * 0.3 + Nota Laboratorio * 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
   

Los alumnos deberán haber cursado anteriormente la asignatura de Inteligencia Artificial.