Saltar al contingut Menu
Mapa
  • Inicio
  • Información
  • Contacto
  • Mapa

Aprendizaje (A)

Créditos Dept. Tipo Requisitos
7.5 (6.0 ECTS) CS
  • Optativa para la EI
IA - Prerequisito para la EI

Profesores

Responsable:  (-)
Otros:(-)

Objectivos Generales

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.

Objectivos Específicos

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.

Contenidos

Horas estimadas de:

T P L Alt L Ext. Est O. Ext.
Teoria Problemas Laboratorio Otras actividades Laboratorio externo Estudio Otras horas fuera del horario fijado

1. Introducción al aprendizaje
T      P      L      Alt    L Ext. Est    O. Ext. Total 
2,0 2,0 1,0 0 0 0 0 5,0
¿Qué es el aprendizaje? ¿Dónde y cuándo es útil y puede aplicarse? Definición y ejemplos introductorios. Clasificación de los métodos de aprendizaje.

2. Aprendizaje Inductivo
T      P      L      Alt    L Ext. Est    O. Ext. Total 
10,0 10,0 5,0 0 2,0 30,0 0 57,0
Sistemas de inducción de reglas y árboles de decisión.
Aprendizaje basado en instancias y regresión local. Aprendizaje bayesiano, Naive Bayes y redes bayesianas. Aprendizaje inductivo no supervisado.

3. Redes neuronales
T      P      L      Alt    L Ext. Est    O. Ext. Total 
12,0 12,0 6,0 0 2,0 30,0 0 62,0
Perceptrones. Regresión no lineal i Perceptrón Multi-Capa. Redes de base radial. Redes de Kohonen. Redes de Hopfield. Aplicaciones.

4. Otras aproximaciones
T      P      L      Alt    L Ext. Est    O. Ext. Total 
4,0 4,0 2,0 0 3,0 10,0 0 23,0
Aprendizaje por refuerzo. Aprendizaje basado en explicaciones.


Total por tipo T      P      L      Alt    L Ext. Est    O. Ext. Total 
28,0 28,0 14,0 0 7,0 70,0 0 147,0
Horas adicionales dedicadas a la evaluación 3,0
Total horas de trabajo para el estudiante 150,0

Metodología docente

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.

Método de evaluación

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

Bibliografía básica

  • 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 complementaria

  • 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.

Enlaces web

  1. http://www.lsi.upc.es/~bejar/apren/apren.html


Capacidades previas

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


Compartir

 
logo FIB © Facultad de Informática de Barcelona - Contacto - RSS
Esta web utiliza cookies propias para ofrecerle una mejor experiencia y servicio. Si continúa la navegación, entendemos que acepta nuestra política de cookies. Versión clássica Versión móvil