Técnicas Avanzadas de Aprendizaje Automático

• Horas semanales
• Competencias
• Objetivos
• Contenidos
• Metodología docente
• Método de evaluación

Horas semanales

Competencias

Competencias Técnicas Genéricas

Genéricas

• CG1 - Capacidad para proyectar, diseñar e implantar productos, procesos, servicios e instalaciones en todos los ámbitos de la Inteligencia Artificial.
• CG3 - Capacidad para la modelización, cálculo, simulación, desarrollo e implantación en centros tecnológicos y de ingeniería de empresa, particularmente en tareas de investigación, desarrollo e innovación en todos los ámbitos relacionados con la Inteligencia Artificial.

Competencias Técnicas de cada especialidad

Académicas

• CEA12 - Capacidad de comprender las técnicas avanzadas de Ingeniería del Conocimiento, Aprendizaje Automático y Sistemas de Soporte a la Decisión, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.
• CEA13 - Capacidad de comprender las técnicas avanzadas de Modelización, Razonamiento y Resolución de problemas, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.

Profesionales

• CEP1 - Capacidad de resolver las necesidades de analisis de la informacion de las diferentes organizaciones, identificando las fuentes de incertidumbre y variabilidad.

Competencias Transversales

Sostenibilidad y compromiso social

• CT2 - Conocer y comprender la complejidad de los fenomenos economicos y sociales tipicos de la sociedad del bienestar; capacidad para relacionar el bienestar con la globalizacion y la sostenibilidad; habilidad para utilizar de forma equilibrada y compatible la tecnica, la tecnologia, la economia y la sostenibilidad.

Uso solvente de los recursos de información

• CT4 - Gestionar la adquisicion, la estructuracion, el analisis y la visualizacion de datos e informacion en el ambito de la especialidad y valorar de forma critica los resultados de esta gestion.

Básicas

• CB7 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

Objetivos

1. Conocer y utilizar tecnicas avanzadas de aprendizaje no supervisado y mineria de datos no supervisada para aplicaciones en todos los dominios de la ingenieria y la ciencia
   Competencias relacionadas: CEA12, CEA13, CG1, CG3, CEP1, CT2, CT4, CB7,

Contenidos

1. Data Mining, a global perspective
   Brief introduction to what is Data Mining and Knowledge Discovery, the areas they are related to and the different techniques involved
2. Unsupervised data preprocessing/transformation
   This topic will include different algorithms for unsupervised data preprocessing such as data normalization, discretization, dimensionality reduction and feature extraction (PCA, ICA, SVD, linear and non linear, multidimensional scalling and non negative matrix factorization)
3. Unsupervised Machine Learning/Numerical Taxonomy
   This topic will include classical and current algorithms for unsupervised learning from machine learning and statistics including hierarchical and parititional algorithms (K-means,Fuzzy C-means, Gaussian EM, graph partitioning, density based algorithms, grid based algorithms, unsupervised ANN, affinity propagation, ...)
4. Semi supervised clustering
   This topic will include current semi supervised algorithms for clustering data (based on constraints, based on rules, markov random fields)
5. Unsupervised methodologies in Knowledge Discovery and Data Mining
   This topic will include current trends on knowledge discovery for data mining and big data, (scalability, any time clustering, one pass algorithms, approximation algorithms, distributed clustering, ..)
6. Association Rules
   This topic will include and introduction to association rules algorithms and their relationship with unsupervised learning algorithms and clustering
7. Mining sequential and structured data
   This topic will include algorithms for unsupervised learning with sequential data and structured data, such as mining frequent sequences, strings, time series clustering and frequent motifs, clustering data streams, clustering graphs and social networks and discovering frequent subgraphs
8. Fundamentals of Case-Based Reasoning
   Cognitive theories. Basic cycle of CBR reasoning. Academic Demosntrators.
9. CBR System Components
   Case Structure. Case Library Structure. Retrieval. Adaptation/Reuse. Evaluation/Repair. Learning/Retain
10. CBR Application
    A complex real-world example. OPENCASE/GESCONDA-CBR: a domain-independent CBR System .
11. CBR Development Problems
    Competence. Space Efficiency. Time Efficiency.
12. Reflective/Introspective Reasoning in CBR
    Introspection reasoning. Case Base maintenance.
13. CBR Applications and CBR Software Tools
    Industrial applications. Software tools. Recommender systems.
14. CBR System Evaluation
    Technical criteria. Ergonomic criteria.
15. Advanced Research Issues in CBR
    Temporal CBR. Spatial CBR. Hybrid CBR systems.

Metodología docente

Método de evaluación