Presentación

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.

Tema 1. Introducción al aprendizaje automático

• Introducción y objetivos
• Aprendizaje supervisado: problemas de regresión
• Conjuntos de entrenamiento, test y validación cruzada
• Técnicas de agrupamiento
• Técnicas de detección de anomalías

Tema 2. Evaluación de algoritmos de regresión

• Introducción y objetivos
• Algoritmos de regresión
• Métricas de error
• Visualización de los errores

Tema 3. Evaluación de algoritmos de clasificación

• Introducción y objetivos
• Algoritmos de clasificación
• Métricas de evaluación: matriz de confusión
• Métricas de evaluación: curvas ROC, AUC

Tema 4. Aprendizaje supervisado: clasificación con Naive Bayesl

• Introducción y objetivos
• Teorema de Bayes y tablas de probabilidad
• Independencia condicional en el clasificador Naive Bayes
• Clasificador Naive Bayes
  

Tema 5. Aprendizaje supervisado: regresión y clasificación con árboles de decisión

• Introducción y objetivos
• Introducción a los árboles de decisión
• Poda de los árboles
• Árboles para clasificación

Tema 6. Aprendizaje supervisado: regresión y clasificación con random forests

• Introducción y objetivos
• Explotando la diversidad: bagging y selección de variables
• Interpretación de out-of-bag error
• Evolución del número de árboles e importancia de variables

Tema 7. Combinación de clasificadores: bootstrapping, bagging y boosting

• Introducción y objetivos
• Técnica de bootstrapping
• Método bagging
• Método de boosting

Tema 8. Aprendizaje supervisado: regresión y clasificación con máquinas de vector de soporte

• Introducción y objetivos
• Introducción a las máquinas de vector de soporte: hiperplanos
• Separando por hiperplanos
• Maximal-margin classifier

Tema 9. Técnicas de aprendizaje no supervisado: agrupamiento

• Introducción y objetivos
• Neuronas artificiales
• Arquitectura de una red de neuronas: capas, funciones de activación
• Algoritmo de entrenamiento: backpropagation

Tema 10. Aprendizaje supervisado: regresión y clasificación con redes de neuronas

• Introducción y objetivos
• Introducción al aprendizaje no supervisado
• Algoritmo de k-medias
• Agrupamiento jerárquico

Tema 11. Técnicas de detección de anomalías

• Introducción y objetivos
• Introducción a la detección de anomalías
• Aplicación del aprendizaje automático a la detección de anomalías
• Desarrollando y evaluando un sistema de detección de anomalías
• Detección de anomalías vs. aprendizaje

Tema 12. Aprendizaje por refuerzo y control

• Introducción y objetivos
• Introducción al aprendizaje por refuerzo
• Algoritmos de aprendizaje por refuerzo fuerza bruta
• Algoritmos de aprendizaje por refuerzo Q-Learning
  

Tema 13. Parametrización automática y optimización de algoritmos

• Introducción y objetivos
• Concepto de hiperparámetros
• Búsqueda aleatoria de hiperparámetros
• Mejora de la búsqueda de hiperparámetros

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.

Las actividades formativas independientes son las siguientes:

• Test parciales.
• Participación en foros.
• Análisis compartivo de idearios educativos.
• Trabajo sobre el compromiso del profesor como agente ético.

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

• 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. 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. https://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf
• Hastie, T., Tibshirani, R. y Friedman, J. (2001). The elements of Statistical Learning. Springer.
• James G., Witten, D., Hastie, T and Tibshirani, R. (2013). An Introduction to Statistical Leaerning with Applications in R. Springer.
• Lantz, B. (2013) Machine Learning with R. 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. Springer.
• Sutton, R. S. y Barto, A. (1998). Reinforcement Learning: An Introduction. MIT Press.

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	%
Test parciales en plataforma	5
Participación en foro mediante plataforma educativa	15
Análisis comparativo de idearios educativos	25
Trabajo sobre el comportamiento del profesor como agente ético	25
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.