Saltar al contingut Menu
Mapa
  • Inici
  • Informació
  • Contacte
  • Mapa

Aprenentatge (A)

Crèdits Dept. Tipus Requisits
7.5 (6.0 ECTS) CS
  • Optativa per a l'EI
IA - Pre-requisit per la EI

Professors

Responsable:  (-)
Altres:(-)

Objectius Generals

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.

Objectius Específics

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.

Continguts

Hores estimades de:

T P L Alt L Ext. Est A Ext.
Teoria Problemes Laboratori Altres activitats Laboratori extern Estudi Altres hores fora d'horari fixat

1. Introducció a l'aprenentatge
T      P      L      Alt    L Ext. Est    A Ext. Total 
2,0 2,0 1,0 0 0 0 0 5,0
Què es l'aprenentatge automàtic? On i quan és útil i es pot aplicar? Definició i exemples introductoris. Classificació de métodes de l'aprenentatge automàtic.

2. Aprenentatge Inductiu
T      P      L      Alt    L Ext. Est    A Ext. Total 
10,0 10,0 5,0 0 2,0 30,0 0 57,0
Sistemes d'induccio de regles i arbres de decissió. Aprenentatge basat en instancies i regressió local. Aprenentatge bayesià, Naive Bayes y xarxes bayesianes. Aprenentatge inductiu no supervisat.

3. Xarxes neuronals
T      P      L      Alt    L Ext. Est    A Ext. Total 
12,0 12,0 6,0 0 2,0 30,0 0 62,0
Perceptrons. Regressió no lineal i Perceptró Multi-Capa. Xarxes de base radial. Xarxes de Kohonen. Xarxes de Hopfield.
Aplicacions.

4. Altres aproximacions
T      P      L      Alt    L Ext. Est    A Ext. Total 
4,0 4,0 2,0 0 3,0 10,0 0 23,0
Aprenentage per reforç. Aprenentatge basat en explicacions.


Total per tipus T      P      L      Alt    L Ext. Est    A Ext. Total 
28,0 28,0 14,0 0 7,0 70,0 0 147,0
Hores addicionals dedicades a l'avaluació 3,0
Total hores de treball per l'estudiant 150,0

Metodologia docent

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.

Mètode d'avaluació

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

Bibliografía bàsica

  • Tom M. Mitchell Machine learning, The McGraw-Hill Companies, 1997.
  • Ian H. Witten, Eibe Frank Data mining : practical machine learning tools and techniques with java implementations, Morgan Kaufmann Publishers, 1999.
  • John Hertz, Anders Krogh, Richard G. Palmer Introduction to the theory of neural computation, Addison-Wesley, 1991.
  • Robert Hecht-Nielsen Neurocomputing, Addison-Wesley, 1990.
  • José Hernández Orallo, Mª José Ramírez Quintana, Cèsar Ferri Ramírez Introducción a la minería de datos, Pearson, 2004.

Bibliografía complementària

  • G. Briscoe, T. Caelli A compendium of machine learning, Ablex Pub. Corp, 1996.
  • Pat Langley Elements of machine learning, Morgan Kaufmann Pub.,, 1996.
  • Usama M. Fayyad ... [et al.], [editors] Advances in knowledge discovery & data mining, AAA/MIT Press, 1996.
  • Ethem Alpaydin Introduction to machine learning, MIT Press, 2004.

Enllaços web

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


Capacitats prèvies

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


Compartir

 
logo FIB © Facultat d'Informàtica de Barcelona - Contacte - RSS
Aquest web utilitza cookies pròpies per oferir una millor experiència i servei. En continuar amb la navegació entenem que acceptes la nostra política de cookies.
Versió clàssica Versió mòbil