Este curso es una introducción al Aprendizaje Automático. Proporciona una breve introducción a conceptos, técnicas y algoritmos de aprendizaje automático. Se empieza por temas de clasificación y regresión lineal y se finaliza con temas de máquinas de soporte vectorial. El curso está dividido en tres grandes bloques: aprendizaje supervisado, aprendizaje no supervisado y teoria del aprendizaje. El curso proporciona muchos casos de estudio y aplicaciones reales para que el alumno perciba la aplicabilidad de las técnicas de visión por ordenador, sistemas médicos o análisis de señales.
Profesorado
Responsable
Maria Salamó Llorente (
)
Horas semanales
Teoría
1.5
Problemas
0
Laboratorio
1
Aprendizaje dirigido
0
Aprendizaje autónomo
2
Competencias
Competencias Técnicas Genéricas
Genéricas
CG2 - Capacidad para dirigir, planificar y supervisar equipos multidisciplinares.
CG4 - Capacidad para la dirección general, dirección técnica y dirección de proyectos de investigación, desarrollo e innovación, en empresas y centros tecnológicos, en el ámbito de la Inteligencia Artificial.
Competencias Técnicas de cada especialidad
Académicas
CEA3 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas principales de Aprendizaje Automático, y saber utilizarlas en el entorno de un sistema o servicio inteligente.
Profesionales
CEP2 - Capacidad de resolver los problemas de toma de decisiones de las diferentes organizaciones, integrando herramientas inteligentes.
CEP7 - Capacidad de respetar la normativa legal y la deontología en el ejercicio profesional.
Competencias Transversales
Trabajo en equipo
CT3 - Ser capaz de trabajar como miembro de un equipo interdisciplinar ya sea como un miembro mas, o realizando tareas de direccion con la finalidad de contribuir a desarrollar proyectos con pragmatismo y sentido de la responsabilidad, asumiendo compromisos teniendo en cuenta los recursos disponibles.
Razonamiento
CT6 - Capacidad de evaluar y analizar de manera razonada y critica sobre situaciones, proyectos, propuestas, informes y estudios de caracter cientifico-tecnico. Capacidad de argumentar las razones que explican o justifican tales situaciones, propuestas, etc.
Analisis y sintesis
CT7 - Capacidad de analisis y resolucion de problemas tecnicos complejos.
Básicas
CB6 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
Objetivos
Aprender i entender las técnicas de aprendizaje automático, tanto en las tareas supervisadas como no supervisadas.
Competencias relacionadas:
CT6,
CEA3,
CB6,
Aprender a resolver problemas usando las técnicas de aprendizaje automático
Competencias relacionadas:
CT3,
CT6,
CT7,
CEA3,
CEP2,
CEP7,
CG2,
CG4,
Contenidos
1. Introducción al aprendizaje automático
- ¿Qué es el aprendizaje automático?
- Definición de aprendizaje automático
- Elementos del aprendizaje automático
- Paradigmas del aprendizaje automático
- Aplicaciones de aprendizaje automático
- Conceptos básicos de la teoria del aprendizaje automático
Aprendizaje no supervisado
- Introducción al aprendizaje no supervisado
- Clusterización
- Clasificación de los algoritmos de clusterización. K-Means i EM
- Análisis de factores: PCA y ICA
- Mapas auto-organizativos y análisis multi-dimensonal
- Sistemas de recomendación
Aprendizaje supervisado
- Introducción y perspectivas
- Aprendizaje perezoso
- Introducción a la selección de atributos
- Selección de modelos
- Decisión lineal
- Decisión no-lineal : Métodos de Kernel
- Decisión no-lineal: Ensemble Learning
- Aprendizaje bayesiano
Actividades
ActividadActo evaluativo
Ejercicio de aprendizaje no supervisado
Ejercicio de aprendizaje no supervisado relacionado con las técnicas estudias en este curso Objetivos:2 Semana:
4
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h
Ejercicio de aprendizaje supervisado basado en aprendizaje perezoso
Implementar un ejercicio de aprendizaje perezoso para un problema particular Objetivos:2 Semana:
7
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h
Ejercicio de aprendizaje supervisado basado en Kernel Learning
En este ejercicio se implementa y analiza Kernel Learning Objetivos:2 Semana:
10
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h
Ejercicio de aprendizaje supervisado basado en aprendizaje no lineal
En este ejercicio se implementan y analizan algoritmos de ensemble learning Objetivos:2 Semana:
13
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h
Lectura y análisis de artículos de investigación
Leer y analizar diferentes artículos de investigación durante el curso Objetivos:1 Semana:
15 (Fuera de horario lectivo)
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
10h
Introducción al aprendizaje automático
Introducción al aprendizaje automático
Teoría
4h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h
Análisis de métodos de clustering
Análisis de los métodos de clustering más conocidos y usados de aprendizaje automático
Teoría
3h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
1h
Introducción al factor analysis
Análisis de factores: estudio de las técnicas más conocidas
Teoría
4h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h
Visualizacion
Estudio de los mapas auto-organizativos y las técnicas de análisis multi-dimensional
Teoría
3h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h
Introducción al aprendizaje supervisado
Introducción al aprendizaje supervisado
Teoría
3h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h
Introducción al aprendizaje perezoso
Estudio de diferentes técnicas de aprendizaje perezoso
Teoría
2h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h
Introducció a la selección de atributos
Estudio de diferentes técnicas de selección de atributos usadas en aprendizaje automático
Teoría
2h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
1h
Selección de modelos
Selección de modelos y taxonomia
Teoría
2h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h
Decision lineal
Decision lineal: Algoritmos
Teoría
4h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h
Kernel Learning
Kernel Learning
Teoría
3h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h
Ensemble Learning
Ensemble Learning
Teoría
3h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h
Sistemas de recomendación
Sistemas de recomendación. Objetivos. Taxonomia. Elementos del proceso de recomendación. Algoritmos básicos.
Teoría
3h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h
Metodología docente
La clase se divide en dos partes:
-Teoria (2 horas) en la que se introducen los conceptos teóricos del curso
- Laboratori (1 hora) que incluyen: ejercicios prácticos y clases participativas
Método de evaluación
La evaluación está dividida en dos partes:
Exam: examen de teórico al final del semestre
Work: Trabajos a lo largo del semestre (5 trabajo)
Nota_Final = a x Exam + b x Work
Cada curso a i b se establecerán dentro de los siguientes márgenes: 0,35 <= a <= 0,5 and 0,3 <= b <= 0,6
Work = c x W1 + d x W2 + e x W3 + f x W4
Cada curso c, d, e y f se establecerán dentro de los siguientes márgenes: 0,2 <= {c,e} <= 0,4 and 0,1 <= {d, f} <= 0,2