Curso Académico:
2018/19
439 - Graduado en Ingeniería Informática
30231 - Aprendizaje automático
Información del Plan Docente
Año académico:
2018/19
Asignatura:
30231 - Aprendizaje automático
Centro académico:
110 - Escuela de Ingeniería y Arquitectura
Titulación:
439 - Graduado en Ingeniería Informática
Créditos:
6.0
Curso:
3
Periodo de impartición:
Segundo semestre
Clase de asignatura:
---
Módulo:
---
1.1. Objetivos de la asignatura
El objetivo de la asignatura es estudiar las principales técnicas de aprendizaje automático, comprender sus fundamentos matemáticos y algorítmicos, y ser capaces de aplicarlas en ejemplos reales.
1.2. Contexto y sentido de la asignatura en la titulación
En la asignatura de Inteligencia Artificial se ha estudiado una introducción a las técnicas de aprendizaje automático. En esta asignatura se profundiza en las principales técnicas y se aprende a utilizarlas en casos prácticos sencillos.
1.3. Recomendaciones para cursar la asignatura
La asignatura requiere utilizar varios de los conceptos adquiridos en de las asignaturas impartidas anteriormente. Específicamente:
- Matemática Discreta, obligatoria del módulo de formación básica: conceptos relacionados con grafos.
- Estadística, obligatora del módulo de formación básica: cálculo de probabilidades, técnicas de muestreo y estimación.
- Inteligencia Artificial, obligatoria del módulo de formación común: aprendizaje automático, aprendizaje inductivo y estadístico.
2.1. Competencias
Al superar la asignatura, el estudiante será más competente para...
El estudiante adquirirá las siguientes competencias de formación de tecnologías específicas en Computación:
- CEC4: conocer los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación.
- CEC5: adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes o entornos inteligentes.
- CEC7: conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.
El estudiante también adquirirá las siguientes competencias generales comunes a la rama de informática:
- CGC6: Conocimiento y aplicación de los procedimientos algorítmicos básicos de las tecnologías informáticas para diseñar soluciones a problemas, analizando la idoneidad y complejidad de los algoritmos propuestos.
- CGC15: Conocimiento y aplicación de los principios fundamentales y técnicas básicas de los sistemas inteligentes y su aplicación práctica.
Adicionalmente, también adquirirá las siguientes competencias generales/transversales:
- CT4: Capacidad para resolver problemas y tomar decisiones con iniciativa, creatividad y razonamiento crítico.
- CT6: Capacidad para usar las técnicas, habilidades y herramientas de la Ingeniería necesarias para la práctica de la misma.
- CT10: Capacidad para aprender de forma continuada y desarrollar estrategias de aprendizaje autónomo.
- CT11: Capacidad para aplicar las tecnologías de la información y las comunicaciones en la Ingeniería.
2.2. Resultados de aprendizaje
El estudiante, para superar esta asignatura, deberá demostrar los siguientes resultados...
Conoce las técnicas básicas de aprendizaje automático y explica sus diferencias
Determina qué técnica de aprendizaje es más apropiada para un problema determinado
Implementa algoritmos simples para aprendizaje supervisado, aprendizaje por refuerzo, y aprendizaje no supervisado en problemas reales
Caracteriza el estado del arte en aprendizaje automático, logros y limitaciones
3.1. Tipo de pruebas y su valor sobre la nota final y criterios de evaluación para cada prueba
El estudiante deberá demostrar que ha alcanzado los resultados de aprendizaje previstos mediante las siguientes actividades de evaluacion
De acuerdo con la normativa de la Universidad de Zaragoza la evaluación de esta asignatura se establece como de “Tipo global”.
Dada la relevancia que en la asignatura tiene la adquisición de competencias prácticas, mediante el uso de entornos informáticos y en el laboratorio, a lo largo del curso irá siendo evaluado también el trabajo, en base al estudio previo, desarrollo del trabajo práctico, elaboración de una memoria y resolución de las cuestiones planteadas.
En cada convocatoria, la evaluación comprenderá dos partes:
- Prueba escrita individual (60%). Calificada entre 0 y 10 puntos (T). Se realizará en periodo de exámenes. En ella se evaluará al alumno del conjunto de resultados de aprendizaje desde el punto de vista teórico y de resolución de problemas.
- Pruebas prácticas en el laboratorio (40%). Calificadas entre 0 y 10 puntos (L). El objetivo de estas pruebas es evaluar los conocimientos y destrezas que han adquirido los alumnos en las sesiones prácticas de laboratorio. Los alumnos deberán acudir a las sesiones de laboratorio con el estudio previo de la práctica realizado. Las sesiones de laboratorio consistirán en la realización utilizando el computador de una serie de ejercicios relacionados con los contenidos de la asignatura. Opcionalmente, un alumno podrá ir entregando durante el semestre, en las fechas indicadas por los profesores, las soluciones implementadas para cada uno de los ejercicios planteados para estas sesiones. La entrega en fecha de estas soluciones, le eximirá de realizar la prueba final práctica en el laboratorio.
Para la superación de la asignatura es condición imprescindible obtener una calificación en T y L mayor o igual que 4 puntos sobre 10. Sólo en ese caso, la calificación global de la asignatura será (0.40*L + 0.60*T). En otro caso, la calificación global será la mínima entre 4 y el resultado de aplicar la fórmula anterior. La asignatura se supera con una calificación global de 5 puntos sobre 10.
En caso de no aprobar la asignatura en la primera convocatoria, las calificaciones obtenidas en cada una de sus dos partes se guardan para la convocatoria de Septiembre.
4.1. Presentación metodológica general
El proceso de aprendizaje que se ha diseñado para esta asignatura se basa en lo siguiente:
El aprendizaje se obtendrá a partir de dos tipos de contribuciones: la sesiones explicativas del profesorado y los trabajos desarrollados en las sesiones prácticas.
Para el desarrollo de estas actividades, el alumno deberá haber hecho un trabajo previo. En el primer caso, el repaso y estudio de los contenidos planteados en sesiones anteriores. Para las sesiones prácticas, el alumno deberá acudir con el enunciado del trabajo meditado y trabajado, y presentar al inicio de la sesión de laboratorio el trabajo previo planteado, así como la lista de dudas o aclaraciones que requieran la intervención del profesor. Además, será también en una sesión de prácticas donde el alumno deberá presentar y defender ante el profesor el trabajo realizado.
4.2. Actividades de aprendizaje
El programa que se ofrece al estudiante para ayudarle a lograr los resultados previstos comprende las siguientes actividades...
La dedicación del estudiante se estima en 150 horas distribuidas del siguiente modo:
- Clase presencial (tipo T1) (30 horas presenciales).
- Prácticas de laboratorio (tipo T3) (30 horas presenciales).
- Estudio (tipo T7) (80 horas no presenciales).
- Pruebas de evaluación (tipo T8) (10 horas).
Además de la función calificadora, la evaluación también es una herramienta de aprendizaje con la que el alumno comprueba el grado de comprensión y asimilación alcanzado.
4.3. Programa
- Aprendizaje supervisado. Regresión
- Regularización y selección de modelos
- Regresión logística
- Modelos Generativos. Bayes ingenuo
- Detección de anomalías
- Aprendizaje no supervisado. PCA
- Agrupamiento (Clustering)
- Recomendadores
- Métodos no paramétricos. Procesos Gaussianos
- Big Data
4.4. Planificación de las actividades de aprendizaje y calendario de fechas clave
El calendario de la asignatura estará definido por el centro en el calendario académico del curso correspondiente.
El calendario detallado de actividades estará disponible en Moodle, y se presentará el primer día de clase.
4.5. Bibliografía y recursos recomendados
[BB: Bibliografía básica / BC: Bibliografía complementaria]
- [BB] 2. Duda, Richard O.. Pattern classification / Richard O. Duda, Peter E. Hart, David G. Stork . - 2nd ed. New York [etc.] : John Wiley and Sons, cop. 2001
- [BB] Murphy, Kevin P.. Machine learning : a probabilistic perspective / Kevin P. Murphy . Cambridge [etc.] : The MIT Press, cop. 2012
- [BC] Alpaydin, Ethem. Introduction to machine learning / Ethem Alpaydin . 3rd ed. Cambridge [etc.] : MIT Press, cop. 2014
- [BC] Bishop, Christopher M.. Pattern recognition and machine learning / Christopher M. Bishop . [1st ed., 13th print.] New York : Springer, 2009
Listado de URL
- Transparencias y apuntes de la asignatura, enunciados de problemas, casos de estudio y Guiones de prácticas[http://add.unizar.es]