Presentación

Al término del curso el maestrante, aplicando técnicas de inteligencia artificial al análisis masivo de datos, extraerá conclusiones de un conjunto de datos que no podrían ser extraídas con técnicas estadísticas clásicas. Además, mediante la aplicación de herramientas de minería de datos, el alumno ejecutará diferentes algoritmos para la resolución de problemas de aprendizaje e interpretar el resultado de dichos algoritmos y su evaluación.

Tema 1. Introducción

• ¿Cómo estudiar este tema?
• Aproximación a los conceptos inteligencia artificial, aprendizaje automático y minería de datos. Interés y aplicaciones
• Definición de aprendizaje, tareas básicas y ejemplos
• Etapas en el descubrimiento de conocimiento
• Referencias bibliográficas

Tema 2. Python para la implementación de técnicas de inteligencia artificial

• ¿Cómo estudiar este tema?
• Introducción
• El lenguaje Python: conceptos básicos e instalación
• La sintaxis de Python
• Listas, tuplas, conjuntos y diccionarios
• Librerías útiles para el análisis de datos
• La librería NumPy para el manejo de datos
• Importación de datos
• Introducción a machine learning con librerías en Python
• Referencias bibliográficas

Tema 3. Árboles de decisión

• ¿Cómo estudiar este tema?
• Introducción. Representación del conocimiento mediante árboles de decisión
• Descripción de la tarea de inducción
• Algoritmo básico de aprendizaje de árboles de decisión: ID3
• Espacio de búsqueda y bias inductivo
• Métodos de selección de atributos
• Sobreajuste y poda de árboles
• Medidas de precisión de la clasificación. Curva ROC
• Simplificación de árboles de decisión mediante poda: algoritmo C4.5
• Aplicaciones y ejemplos de implementación
• Referencias bibliográficas

Tema 4. Reglas

• ¿Cómo estudiar este tema?
• Reglas de clasificación y reglas de asociación
• Algoritmos de aprendizaje de reglas de clasificación
• Algoritmos de aprendizaje de reglas de asociación
• Aplicaciones y ejemplos de implementación
• Referencias bibliográficas

Tema 5. Redes neuronales artificiales

• ¿Cómo estudiar este tema?
• Introducción. Fundamento biológico
• La neurona artificial. El perceptrón
• Redes neuronales multicapa
• Redes neuronales recurrentes. Redes Hopfield
• Hacia el deep learning
• Aplicaciones y ejemplos de implementación
• Referencias bibliográficas
  

Tema 6. Deep learning

• ¿Cómo estudiar este tema?
• El papel del deep learning dentro del machine learning
• Redes neuronales y deep learning
• Redes prealimentadas profundas
• Redes neuronales recurrentes profundas
• Autoencoders
• Redes neuronales convolucionales
• Redes generativas antagónicas
• Aprendizaje por refuerzo
• Aprendizaje por refuerzo profundo
• Ejemplos de implementación
• Referencias bibliográficas

Tema 7. Clustering: Agrupamiento o clasificación no supervisada

• ¿Cómo estudiar este tema?
• Conceptos. Tipos de algoritmos de clustering. Medida de distancia
• Agrupamiento exclusivo. El algoritmo k-means
• Agrupamiento jerárquico. Algoritmo de agrupamiento jerárquico aglomerativo
• Agrupamiento probabilista. El algoritmo EM
• Agrupamiento solapado. El algoritmo Fuzzy C-means
• Aplicaciones y ejemplos de implementación
• Referencias bibliográficas

Tema 8. Sistemas de recomendación

• ¿Cómo estudiar este tema?
• Introducción. Tipos de recomendadores y aplicaciones
• Recomendación colaborativa. Filtrado colaborativo basado en usuarios. Filtrado colaborativo basado en ítems
• Recomendación basada en contenido. Representación del contenido y similitud entre elementos
• Sistemas de recomendación híbridos
• Ejemplos de implementación
• Referencias bibliográficas

Tema 9. Resolución de problemas mediante búsqueda

• ¿Cómo estudiar este tema?
• Introducción: «El mundo de los bloques»
• Dirección de la búsqueda
• Búsqueda exhaustiva o a ciegas
• Búsqueda heurística
• Búsqueda en juegos
• Costes
• Aplicaciones prácticas y ejemplos de implementación
• Referencias bibliográficas

Tema 10. Gestión de la incertidumbre e imprecisión en sistemas expertos

• ¿Cómo estudiar este tema?
• Introducción
• Razonamiento bayesiano
• Factores de certeza
• Lógica difusa
• Inferencia difusa
• Aplicaciones y ejemplos de implementación
• Referencias bibliográficas

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 con el docente son las siguientes:

• Diálogo e interacción virtual con profesor.
• Participación activa durante la clase virtual.
• Formulación de preguntas sobre los temas y problemas planteados en la sesión virtual.
• Exposición de dudas y de preguntas mediante el uso de correo web.
• Análisis y solución de problemas con exposición de ideas mediante el chat.
• Realización de práctica en Laboratorio virtual sobre inferencia con CLIPS.

Las actividades formativas independientes son las siguientes:

• Realización de test parciales al finalizar cada tema.
• Entrega del informe de práctica de laboratorio virtual.
• Trabajos:
  o Construcción de un árbol de decisión mediante Weka y análisis del modelo.
  o Algoritmos y aprendizaje de reglas de asociación.
  o Clustering aplicado a botánica.
  o Generación de un modelo clasificatorio con redes neuronales y comparación con otras técnicas.
• Interacción en foro virtual sobre la capacidad de pensamiento real de las maquinas.

Descargar programación

Estas actividades formativas prácticas se completan, por supuesto, con estas otras:

• Estudio personal
• Tutorías. Las tutorías se pueden articular a través de diversas herramientas y medios. Durante el desarrollo de la asignatura, el profesor programa tutorías en días concretos para la resolución de dudas de índole estrictamente académico a través de las denominadas “sesiones de consultas”. Como complemento de estas sesiones se dispone también del foro “Pregúntale al profesor de la asignatura” a través del cual se articulan algunas preguntas de alumnos y las correspondientes respuestas en el que se tratan aspectos generales de la asignatura. Por la propia naturaleza de los medios de comunicación empleados, no existen horarios a los que deba ajustarse el alumno.
• Examen final online

Bibliografía básica

Recuerda que la bibliografía básica es imprescindible para el estudio de la asignatura. Cuando se indica que no está disponible en el aula virtual, tendrás que obtenerla por otros medios: librería UNIR, biblioteca...

Los textos necesarios para el estudio de la asignatura han sido elaborados por UNIR y están disponibles en formato digital para consulta, descarga e impresión en el aula virtual.

Bibliografía complementaria

• Bhasker, B. & Srikumar, K. (2010). Recommender Systems in e-Commerce. Methodologies and Applications of Data Mining. New Delhi: McGraw Hill.
• Durkin, J. (1994). Expert Systems: Design and Development. Macmillan Coll Div.
• Fikes, R.E. & Nilsson, N.J. (1971). Strips: A new approach to the application of theorem proving to problem solving. Artificial Intelligence, 2(3–4), 189-208.
• Gen, M. (1997). Genetic algorithms and engineering design. New York: Wiley.
• Géron, A. (2018). Neural networks and deep learning. Estados Unidos: O'Reilly Media, Inc.
• Gurney, K. (1997) An Introduction to Neural Networks. London: UCL Press.
• Han, J., Kamber, M., & Pei, J. (2012). Data mining: concepts and technique. San Francisco: Morgan Kaufmann.
• Haykin, S. (1998). Neural Networks: A Comprehensive Foundation. Prentice Hall.
• Holland, J.H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press.
• Jackson, P. (1998). Introduction to Expert Systems. Addison-Wesley.
• Jannach, D., Zanker, M., Felferning, A. & Friedrich, G. (2011). Recomender Systems: An Introduction. Cambridge University Press.
• Michalewicz, Z. (1996). Genetic algorithms + data structures = evolution programs. Berlin-New York: Springer-Verlag.
• Mitchell, T. M. (1997). Machine Learning. Mc.Graw-Hill.
• Negnevitsky, M. (2005). Artificial Intelligence. A Guide to Intelligent Systems. UK: Addison-Wesley.
• Poole, D. L. & Mackworth, A. K. (2010). Artificial intelligence: foundations of computational agents. New York: Cambridge University Press.
• Quinlan, J.R. (1993). C4.5: programs for Machine Learning. San Francisco: Morgan Kauffmann
• Raschka, S. & Mirjalili, V. (2019). Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2. Packt Publishing Ltd.
• Ricci, F., Rokach, L., Shapira, B. & Kantor, P.B. (Eds). (2011). Recommender Systems Handbook. Springer Science+Business Media.
• Rogers, S. & Girolami, M. (2016). A first course in machine learning. Chapman and Hall/CRC.
• Roiger, R.J. & Geatz, M.W. (2003) Data Mining, a Tutorial-based Primer. Pearson Education.
• Russell, S. & Norvig, P. (2016). Artificial Intelligence: A Modern Approach Global Edition (Third Edition). Pearson.
• Witten, I.H. & Frank, E. (2005). Data Mining. USA: Morgan Kaufmann Publishers.
• Witten, I., Frank, E. y Hall, M. (2011). Data mining: Practical machine learning tools and techniques (Fourth ed.). Estados Unidos: Morgan Kaufmann Publishers Inc.
• Xu, R. & Wunsch, D. (2009). Clustering. USA: Wiley.

La calificación se compone de dos partes principales:

Examen: se realiza al final de la asignatura, es de carácter online y obligatorio. El examen se valora sobre 10 puntos.

Evaluación continua: se compone de las calificaciones obtenidas en las diferentes actividades formativas llevadas a cabo a lo largo de la asignatura.

La nota final se calcula teniendo en cuenta que la nota obtenida en el examen equivale al 30% y la nota obtenida en la evaluación continua equivale al 70%. La nota final debe sumar mínimo 7 puntos para aprobar la asignatura.

Sistema de evaluación	%
Participación en sesiones, foros y otros medios colaborativos en la plataforma	15
Test parciales en plataforma	5
Laboratorio virtual	10
Trabajos	40
Examen final online	30

Obviamente, al tratarse de formación online 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:

1. Desde el Campus virtual podrás acceder al aula virtual de cada asignatura en la que estés matriculado y, además, al aula virtual del Curso de introducción al campus virtual. Aquí podrás consultar la documentación disponible sobre cómo se utilizan las herramientas del aula virtual y sobre cómo se organiza una asignatura en la UNIR y también podrás organizar tu plan de trabajo con tu tutor personal.
2. Observa la programación semanal. Allí te indicamos qué parte del temario debes trabajar cada semana.
3. Ya sabes qué trabajo tienes que hacer durante la semana. Accede ahora a la sección Temas del aula virtual. Allí encontrarás el material teórico y práctico del tema correspondiente a esa semana.
4. Comienza con la lectura de las Ideas clave del tema. Este resumen te ayudará a hacerte una idea del contenido más importante del tema y de cuáles son los aspectos fundamentales en los que te tendrás que fijar al estudiar el material básico. Consulta, además, las secciones del tema que contienen material complementario.
5. Dedica tiempo al trabajo práctico (sección Actividades y Test). En la programación semanal te detallamos cuáles son las actividades correspondientes a cada semana y qué calificación máxima puedes obtener con cada una de ellas.
6. Te recomendamos que participes en los eventos del curso (sesiones presenciales virtuales, foros de debate…). Para conocer la fecha concreta de celebración de los eventos debes consultar las herramientas de comunicación del aula vitual. Tu profesor y tu tutor personal te informarán de las novedades de la asignatura.

En el aula virtual del Curso de introducción al campus virtual encontrarás siempre disponible la documentación donde te explicamos cómo se estructuran los temas y qué podrás encontrar en cada una de sus secciones.

Recuerda que en el aula virtual del Curso de introducción al campus virtual puedes consultar el funcionamiento de las distintas herramientas del aula virtual: Correo, Foro, Sesiones presenciales virtuales, Envío de actividades, etc.