Presentación

El cerebro humano es capaz de reconocer patrones, sacar conclusiones de experiencias pasadas y aplicar dichas conclusiones a escenarios futuros. Las técnicas de Inteligencia Artificial (IA) pretenden dotar a los ordenadores de estas capacidades típicamente humanas. En esta asignatura se explican conceptos y métodos de aprendizaje automático y se hace énfasis en aquellas técnicas más apropiadas para su aplicación en la minería de datos, enfocada a resolver problemas analizando grandes cantidades de datos disponibles en una base de datos.

El análisis masivo de datos aplicando técnicas de inteligencia artificial permite extraer conclusiones de un conjunto de datos que no podrían ser extraídas con técnicas estadísticas clásicas. En concreto, en esta asignatura se explican algoritmos y técnicas de inteligencia artificial, como pueden ser aquellos que permiten obtener reglas de clasificación o asociación, o representaciones del conocimiento mediante árboles de decisión, así como técnicas de clustering para la clasificación no-supervisada, redes neuronales o la computación evolutiva. Mediante la aplicación de herramientas de minería de datos el alumno podrá ejecutar diferentes algoritmos para la resolución de problemas de aprendizaje e interpretar el resultado de dichos algoritmos y su evaluación. Así mismo, el alumno será capaz de diseñar un sistema experto que sea capaz de inferir nuevos conocimientos.

Competencias básicas

• CB6: Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
• CB7: 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.
• CB8: Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
• CB9: Que los estudiantes sepan comunicar sus conclusiones ¿y los conocimientos y razones últimas que las sustentan¿ a públicos especializados y no especializados de un modo claro y sin ambigüedades.
• CB10: Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Competencias generales

• CG1. Diseñar y elaborar planes de intervención profesional relacionados con el entorno de análisis de datos y visualización de la información, e implementarlos y desarrollarlos mediante los métodos y procesos adecuados.
• CG2. Tener la capacidad necesaria para ejercer las funciones profesionales requeridas para el análisis de datos y la visualización de la información en el seno de las entidades de TI.
• CG3. Evaluar los recursos necesarios, planificar y organizar las actividades, sin olvidar la revisión del propio progreso y desempeño en el análisis de datos y visualización de la información.

Competencias específicas

• CE6. Explicar las características de una situación física o virtual a partir del conjunto de datos que la define y construir diagramas que representen de forma visual dicha situación.
• CE7. Evaluar y asesorar sobre las técnicas estadísticas y de inteligencia artificial aplicables para el procesado masivo de datos sobre un conjunto dado de datos y de acuerdo a unos requisitos establecidos.
• CE8. Diseñar e implementar una estrategia integrada de técnicas estadísticas y de inteligencia artificial para el desarrollo de sistemas descriptivos y predictivos.
• CE9.Comprender el funcionamiento y características de las técnicas habituales de procesamiento masivo de datos.
• CE10. Anticipar los riesgos y beneficios derivados de la aplicación de las técnicas de procesamiento masivo de datos en una situación real.
• CE11. Identificar las herramientas comerciales y de software libre orientadas al análisis estadístico, inteligencia artificial y procesamiento masivo de datos.
• CE21. Diseñar e implementar un sistema que combine técnicas de captura y almacenamiento, análisis y visualización de datos, de modo que el sistema sea capaz de representar la realidad subyacente.

Competencias transversales

• CT2. Identificar las nuevas tecnologías como herramientas didácticas para el intercambio comunicacional en el desarrollo de procesos de indagación y de aprendizaje.
• CT4. Adquirir la capacidad de trabajo independiente, impulsando la organización y favoreciendo el aprendizaje autónomo.

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?
• Introducción
• 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 de esta asignatura son las siguientes:

• Trabajos: Actividades de cierta complejidad que conllevan por ejemplo una búsqueda de información, análisis y crítica de lecturas, resolución de problemas, etc.
• Casos prácticos: El objetivo pedagógico es que el estudiante detecte situaciones relevantes, analice la información complementaria, tome decisiones en relación con el escenario que se plantea y proponga soluciones o indique cómo mejorar la situación de partida.
• Laboratorios virtuales: Son sesiones presenciales virtuales que se llevan a cabo con herramientas de videoconferencia cuyo objetivo es que los alumnos utilicen algún tipo de herramienta informática para realizar uno o varios supuestos prácticos.
• Test de evaluación: Al final de cada tema, los estudiantes pueden realizar este tipo de test, que permite al profesor valorar el interés del estudiante en la asignatura.

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. El profesor atenderá a las preguntas formuladas por los estudiantes en el foro en un plazo no superior a los dos días lectivos.
• Examen final presencial u online

Las horas de dedicación a cada actividad se detallan en la siguiente tabla:

ACTIVIDADES FORMATIVAS	HORAS POR ASIGNATURA	% PRESENCIAL
Sesiones presenciales virtuales	15 horas	100%
Recursos didácticos audiovisuales	6 horas	0
Estudio del material básico	60 horas	0
Lectura del material complementario	45 horas	0
Casos prácticos y laboratorios virtuales	15 horas	13.34%
Trabajos y test de evaluación	14 horas	0
Tutorías	16 horas	30%
Trabajo colaborativo	7 horas	0
Examen final	2 horas	100%
Total	180 horas	-

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.

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:

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 de la asignatura, se detalla la calificación máxima de cada actividad o evento concreto puntuables.

Sistema de evaluación	Ponderación min - max
Participación del estudiante	0% - 10%
Trabajos, proyectos, laboratorios/talleres y/o casos	20% - 30%
Test de evaluación	0% - 10%
Examen final	60% - 60%

Observaciones: es necesario que el estudiante obtenga una calificación mínima de 5 sobre 10 en el examen final para que pueda computarse la nota obtenida en la evaluación continua.

Óscar García García

Formación académica: Doctor en Ingeniería Informática por la Universidad de Salamanca e Ingeniero de Telecomunicación por la Universidad de Valladolid. Máster para el Desarrollo de Sistemas de Comercio Electrónico por la Universidad de Salamanca (título propio).

Experiencia: Docente en el Máster Universitario en Inteligencia Artificial de UNIR. Investigador en el grupo BISITE (Universidad de Salamanca). Anteriormente profesor asociado y colaborador en el grupo GSIC-EMIC en la Universidad de Valladolid. Ha participado en múltiples proyectos de investigación nacionales y europeos. En el ámbito empresarial es gestor de proyectos de software de eficiencia energética y cofundador de una startup especializada en sistemas RTLS y WSN.

Líneas de investigación: Investigador y colaborador del grupo de investigación BISITE (USAL), es autor de más de 35 publicaciones científicas y de varias propiedades intelectuales. Sus líneas de investigación giran en torno a los sistemas WSN y RTLS como fuentes de información para el desarrollo de sistemas de eficiencia energética (Demand-Response, Disaggregation, etc.), haciendo uso de técnicas Big Data, Data Analytics y Social Computing, que permitan mejorar el comportamiento energético de personas y máquinas.

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.