Responsable: | (-) |
Otros: | (-) |
Créditos | Dept. |
---|---|
7.5 (6.0 ECTS) | CS |
Responsable: | (-) |
Otros: | (-) |
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.
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 |
|
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. |
|
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.
|
|
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 |
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.
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
Los alumnos deberán haber cursado anteriormente la asignatura de Inteligencia Artificial.