Introducción al Aprendizaje Automático

Créditos
5
Tipos
Obligatoria
Requisitos
Esta asignatura no tiene requisitos , pero tiene capacidades previas
Departamento
CS;UB
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

Horas semanales

Teoría
1.5
Problemas
0
Laboratorio
1
Aprendizaje dirigido
0
Aprendizaje autónomo
5.83

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

    1. Aprender i entender las técnicas de aprendizaje automático, tanto en las tareas supervisadas como no supervisadas.
      Competencias relacionadas: CT6, CEA3, CB6,
    2. Aprender a resolver problemas usando las técnicas de aprendizaje automático
      Competencias relacionadas: CT3, CT6, CT7, CEA3, CEP2, CEP7, CG2, CG4,

    Contenidos

    1. 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
    2. 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
    3. Aprendizaje supervisado
      - Introducción y perspectivas
      - Aprendizaje perezoso
      - Introducción a la selección de atributos
      - Selección de modelos
      - Sistemas de recomendación
      - Decisión lineal
      - Decisión no-lineal : Métodos de Kernel
      - Decisión no-lineal: Ensemble Learning
      - Aprendizaje bayesiano

    Actividades

    Actividad Acto 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
    0h

    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
    0h

    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
    0h

    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
    0h

    Lectura y análisis de artículos de investigación

    Leer y analizar diferentes artículos de investigación durante el curso
    Objetivos: 1
    Semana: 15
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    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

    Bibliografía

    Básico

    Web links

    • For more information visit: https://www.ub.edu/pladocent/?cod_giga=569389&curs=2024&idioma=ENG http://Pla docent UB

    Capacidades previas

    Es necesario que el alumno tenga conocimientos en los siguientes lenguajes de programación: Python y Java