Competencias

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:

• CG6: Desarrollar habilidades avanzadas de interpretación rigurosa de los resultados científico-técnicos obtenidos al aplicar algoritmos de inteligencia artificial.

Competencias transversales:

• CT2: Identificar las nuevas tecnologías como herramientas didácticas para el intercambio comunicacional en el desarrollo de procesos de indagación y de aprendizaje.
• CT3: Desarrollar habilidades de comunicación, escritas y orales, para realizar atractivas y eficaces presentaciones de información profesional.
• CT4: Adquirir la capacidad de trabajo independiente, impulsando la organización y favoreciendo el aprendizaje autónomo.

Competencias específicas:

• CE6: Estimar y evaluar el rendimiento de un sistema de inteligencia artificial en base a las técnicas empleadas, los datos de entrada disponibles y el contexto de ejecución.
• CE12: Diseñar e implementar un sistema automático de toma de decisiones en tiempo real.
• CE17: Conocer los principales modelos de aprendizaje automático y detección de anomalías, así como su aplicación práctica en diferentes casos de uso que requieren automatización.
• CE18: Diseñar e implementar sistemas de aprendizaje automático, analizando de forma rigurosa su rendimiento y limitaciones.

Contenidos

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

Metodología

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:

• Casos prácticos. Situarán al alumno ante situaciones reales de empresas que tendrán que analizar y tras ello tomar decisiones, evaluar consecuencias y alternativas. Permitirán adquirir hábitos intelectuales para abordar situaciones imprevisibles o programar planes de actuación adaptados a una realidad cambiante en la que no hay fórmulas matemáticas. .
• Participación en eventos. Son eventos programados todas las semanas del cuatrimestre: sesiones presenciales virtuales, foros de debate, test.
• Prácticas de laboratorios virtuales. Los 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.

En la programación semanal puedes consultar cuáles son las actividades concretas que tienes que realizar en esta asignatura.

Descarga el pdf de la 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 presencial u online

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

Bibliografía

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.

Evaluación y calificación

El sistema de calificación se basa en la siguiente escala numérica:

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. En ella se detalla la calificación máxima de cada actividad o evento concreto puntuables.

El sistema de evaluación de la asignatura es el siguiente:

Profesorado

Federico Castanedo Sotela

Obtuvo 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.

Orientaciones para el estudio

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:

1. Desde el Campus virtual podrás acceder al aula virtual de cada asignatura en la que estés matriculado y, además, al aula virtual de Lo que necesitas saber antes de empezar. 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 personal con tu profesor-tutor.
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, constituyen el contenido del tema y el material básico de estudio. Lee siempre el primer apartado, Presentación, porque allí te especificamos qué material tienes que estudiar. Consulta, además, las secciones del tema que contienen material complementario (Experiencias, Lecturas, Más recursos).
5. Dedica tiempo al trabajo práctico (sección Casos prácticos 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 profesor-tutor te informarán de las novedades de la asignatura.

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.