Última revisión realizada: 23/05/2022
Denominación de la asignatura |
Aprendizaje Automático |
Máster al que pertenece |
Máster Universitario en Inteligencia Artificial |
Créditos ECTS |
6 |
Cuatrimestre en el que se imparte |
Pimer cuatrimestre |
Carácter de la asignatura | Obligatoria |
El aprendizaje automático es una rama de la inteligencia artificial que simula la forma en la que las personas aprenden en base a ejemplos y situaciones observadas.
Los mecanismos de aprendizaje permiten que los sistemas cognitivos puedan operar y actuar en situaciones no contempladas previamente en su programación inicial. Es decir, el aprendizaje se considera una autoprogramación que permite incorporar en tiempo de ejecución nuevas reglas de actuación derivadas de la experiencia de interacción con el entorno.
Las técnicas de aprendizaje automático se pueden considerar metaalgoritmos que usan los datos de entrada como fuente de conocimiento para construir algoritmos de control o de extracción de conocimiento.
El aprendizaje automático se puede dividir en aprendizaje supervisado, técnicas de agrupación y técnicas de detección de anomalías. El aprendizaje supervisado «aprende» a generalizar sobre datos no observados previamente en base a observaciones de ejemplos similares que se han realizado en la fase de entrenamiento o training. Las técnicas de agrupación «agrupan» los datos de acuerdo a medidas de similitud. Finalmente, las técnicas de detección de anomalías se basan en detectar los comportamientos que se salen de lo habitual.
Competencias básicas:
Competencias generales:
Competencias transversales:
Competencias específicas:
Tema 1. Introducción al aprendizaje automático
Aprendizaje supervisado: problemas de regresión
Aprendizaje supervisado: problemas de clasificación
Conjuntos de entrenamiento, test y validación cruzada
Técnicas de agrupamiento
Técnicas de detección de anomalías
Tema 2. Evaluación de algoritmos de regresión
Algoritmos de regresión
Métricas de error
Visualización de los errores
Tema 3. Evaluación de algoritmos de clasificación
Algoritmos de clasificación
Métricas de evaluación: matriz de confusión
Métricas de evaluación: curvas ROC, AUC
Tema 4. Aprendizaje supervisado: clasificación con Naive Bayes
Teorema de Bayes
Tablas de probabilidad condicionada
Independencia condicional en el clasificador Naive Bayes
Clasificador Naive Bayes
Clasificador Naive Bayes con variables numéricas
Referencias bibliográficas
Tema 5. Aprendizaje supervisado: regresión y clasificación con árboles de decisión
Introducción a los árboles de decisión
Best split: entropía, Gini index, ganancia de información
Poda de los árboles
Árboles para clasificación
Árboles vs. modelos lineales
Referencias bibliográficas
Tema 6.Aprendizaje supervisado: regresión y clasificación con random forests
Explotando la diversidad: bagging y selección de variables
Interpretación del out-of-bag error
Evolución del número de árboles e importancia de variables
Referencias bibliográficas
Tema 7. Combinación de clasificadores: bootstrapping, bagging y boosting
Introducción
Técnica de bootstrapping
Método bagging
Método boosting
Referencias bibliográficas
Tema 8. Aprendizaje supervisado: regresión y clasificación con máquinas de vector de soporte
Introducción las máquinas de vector de soporte: hiperplanos
Separando por hiperplanos
Maximal-margin classifier
Soft margin
Kernel trick
Referencias bibliográficas
Tema 9. Aprendizaje supervisado: regresión y clasificación con redes de neuronas
Neuronas artificiales
Arquitectura de una red de neuronas: capas, funciones de activación
Algoritmo de entrenamiento: backpropagation
Referencias bibliográficas
Tema 10.Técnicas de aprendizaje no supervisado: agrupamiento
Introducción al aprendizaje no supervisado
Algoritmo de k-medias
Agrupamiento jerárquico
Referencias bibliográficas
Tema 11.Técnicas de detección de anomalías
Introducción a la detección de anomalías
Aplicación de aprendizaje automático a la detección de anomalías
Tema 12.Aprendizaje por refuerzo y control
Introducción al aprendizaje por refuerzo
Algoritmos de aprendizaje por refuerzo
Tema 13.Parametrización automática y optimización de algoritmos
Concepto de hiper-parámetros
Búsqueda cartesiana de hiper-parámetros
Búsqueda aleatoria de hiper-parámetros
Las actividades formativas de la asignatura se han elaborado con el objetivo de adaptar el proceso de aprendizaje a las diferentes capacidades, necesidades e intereses de los alumnos.
Las actividades formativas de esta asignatura son las siguientes:
En la programación semanal puedes consultar cuáles son las actividades concretas que tienes que realizar en esta asignatura.
Estas actividades formativas prácticas se completan, por supuesto, con estas otras:
Las horas de dedicación a cada actividad se detallan en la siguiente tabla:
ACTIVIDADES FORMATIVAS | HORAS |
Sesiones Presenciales Virtuales | 15 |
Recursos didácticos audiovisuales | 6 |
Estudio del material básico | 52 |
Lectura del material complementario | 25 |
Prácticas de laboratorio virtual | 12 |
Trabajos, casos prácticos y test de evaluación | 17 |
Tutorías | 16 |
Trabajo colaborativo | 7 |
Total |
150 |
Bibliografía básica
Los textos necesarios para el estudio de la asignatura han sido elaborados por la UNIR y están disponibles en formato digital para consulta, descarga e impresión en el aula virtual.
Bibliografía complementaria
Bergstra, J. y Bengio, Y. (2012). Random Search for Hyper-Parameter Optimization. Journal of Machine Learning Research, 13, 281-305.
Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32.
Brett, L. (2013). Machine Learning with R. Birmingham: Packt.
Bzdok, D., Altman, N., y Krzywinski, M. (2018). Points of Significance: Statistics versus machine learning. Nature Methods , 233-234.
Corral, R. R. (2019). Análisis del Desempeño de Sistema de Detección de Señal SSVEP Utilizando Clasificadores Árbol Simple y Máquina de Vectores de Soporte. ReCIBE , 1-23.
Dark, S. (2019). Aprendizaje Automático: La Guía Definitiva para Principiantes para Comprender el Aprendizaje Automático.
Domingos, P. (2012). A Few Useful Things to Know About Machine Learning. University of Washington. Recuperado de A Few Useful Things
Hastie, T., Tibshirani, R. y Friedman, J. (2001). The elements of Statistical Learning. Nueva York: Springer.
James G., Witten, D., Hastie, T and Tibshirani, R. (2013). An Introduction to Statistical Leaerning with Applications in R. Nueva York: Springer.
Lantz, B. (2013) Machine Learning with R. Birmingham: Packt.
Lei Zhang, F. H. (2019). The use of classification and regression algorithms using the random forests method with presence-only data to model species’ distribution. MethodsX , 2281-2292.
Pino, A. E., Chichande, B. S., y Tovar, Y. J. (2019). Determinación de modelos predictivos para los indicadores de competitividad empresarial aplicando regresión lineal. Revista Ibérica de Sistemas e Tecnologias de Información , 94-107.
Quinclan, J. (1986). Introduction to decisión trees. Nueva York: Springer.
Sutton, R. S. y Barto, A. (1998). Reinforcement Learning: An Introduction. Cambridge: MIT Press.
El sistema de calificación se basa en la siguiente escala numérica:
0 - 4, 9 |
Suspenso |
(SS) |
5,0 - 6,9 |
Aprobado |
(AP) |
7,0 - 8,9 |
Notable |
(NT) |
9,0 - 10 |
Sobresaliente |
(SB) |
La calificación se compone de dos partes principales:
CALIFICACIÓN | EXAMEN FINAL | 60% | |
EVALUACIÓN CONTINUA | 40% |
El examen se realiza al final del cuatrimestre y es de carácter PRESENCIAL U ONLINE Y OBLIGATORIO. Supone el 60% de la calificación final y para que la nota obtenida en este examen se sume a la nota final, es obligatorio APROBARLO.
La evaluación continua supone el 40% de la calificación final. Este 40% de la nota final se compone de las calificaciones obtenidas en las diferentes actividades formativas llevadas a cabo durante el cuatrimestre.
Ten en cuenta que la suma de las puntuaciones de las actividades de la evaluación continua permite que realices las que prefieras hasta conseguir el máximo puntuable mencionado en la programación semanal. En ella se detalla la calificación máxima de cada actividad o evento concreto puntuables.
El sistema de evaluación de la asignatura es el siguiente:
SISTEMA DE EVALUACIÓN |
PONDERACIÓN |
PONDERACIÓN |
Participación en foros y otros medios participativos |
0 |
40 |
Realización de trabajos, proyectos y casos |
0 |
40 |
Prácticas de laboratorio virtual |
10 |
40 |
Test de evaluación |
0 |
40 |
Examen final |
60 |
60 |
Federico Castanedo Sotela
FormaciónObtuvo su Doctorado (Cum Laude) en Inteligencia Artificial por la Universidad Carlos III en el año 2010 con la tesis Fusion de datos distribuida en redes de sensores visuales utilizando sistemas multi-agente. Ingeniero Superior en Informática por la Universidad Pontificia de Salamanca
Experiencia: Actualmente, trabaja como Lead Data Scientist en Vodafone aplicando técnicas de inteligencia artificial. Acreditado por ANECA como contratado doctor y profesor de universidad privada, cuenta con experiencia docente en la Universidad Carlos III, en la Universidad Deusto, y con una dilatada experiencia profesional e investigadora en paralelo.
Líneas de investigación: Ha publicado más de veinte obras en revistas de investigación, capítulos de libro y congresos y ha sido investigador visitante en la Universidad de Stanford.
Obviamente, al tratarse de formación on-line puedes organizar tu tiempo de estudio como desees, siempre y cuando vayas cumpliendo las fechas de entrega de actividades, trabajos y exámenes. Nosotros, para ayudarte, te proponemos los siguientes pasos:
Recuerda que en el aula virtual de Lo que necesitas saber antes de empezar puedes consultar el funcionamiento de las distintas herramientas del aula virtual: Correo, Foro, Sesiones presenciales virtuales, Envío de actividades, etc.
Ten en cuenta estos consejos…
|