Dr. Joaquín Pizarro Junquera (Coordinador)

Lo fundamental del aprendizaje es la idea de que las percepciones deben servir
no sólo para actuar sino para mejorar la capacidad de un agente para actuar en
el futuro. El aprendizaje se produce como resultado de la interacción entre el
agente y el mundo y de la observación por el agente de sus propios procesos de
toma de decisiones. El Aprendizaje Automático estudia cómo construir agentes
que mejoren con la experiencia. En esta asignatura se introduce al alumno en
los principales conceptos del Aprendizaje Automático, para posteriormente
centrase en el aprendizaje inductivo, es decir en la construcción de la
descripción de una función a partir de un conjunto de ejemplos de
entrada/salida. Por tanto se dotará al alumno de unos conocimientos teóricos,
que le permitan obtener una visión global de la asignatura, así como unos
conocimientos prácticos, que le permitan el diseño de estos agentes


En el plano teórico


Enseñar al alumno conceptos básicos de aprendizaje que le permitan introducirse
en los distintos sistemas de aprendizaje y sus campos de aplicación. Estos
conocimientos serán impartidos desde una perspectiva global pero con el nivel
suficiente para que el alumno conozca y entienda de forma adecuada el
funcionamiento de los distintos modelos, sea capaz de comprender publicaciones
de carácter divulgativo relacionadas con la asignatura, y pueda ser capaz de
ampliar conocimientos de forma autónoma cuando lo necesite en su desarrollo
académico y profesional.


En el plano práctico


Adiestrar al alumno tanto en el diseño de una serie de modelos de aprendizaje y
los algoritmos de entrenamiento de los mismos como su aplicación a problemas
actuales.

Teoría.-
1  Aprendizaje automático (1.5h)
1.1  Definición
1.2  Reseña Histórica
1.3  Estrategias elementales del aprendizaje

2 Aprendizaje inductivo (4h)
2.1  Máquina De Aprendizaje.
2.2  Dominios del problema
2.3  Principios Inductivos
2.4  Riesgo De Predicción. Medidas.
2.5  Aprendizaje en regresión
2.6  La Descomposición Bias/Varianza.
2.7  Overfitting y underfitting

3 Aprendizaje de conceptos  (2h)
3.1  Introducción
3.2  Algoritmo FIND_S
3.3  ALgoritmo CANDIDATE_ELIMINATION
3.4  Bias inductivo.

4 Conexionismo (4h)
4.1  Introducción
4.2  El modelo biológico
4.3  Redes supervisadas
4.4  Redes no supervisadas

5 Control de la complejidad. (4.5h)
5.1  Introducción
5.2  Métodos De Penalización.
5.3  Métodos de Remuestreo.
5.4  Métodos de Combinación de modelos

6 Algoritmos Genéticos  (3h)
6.1  Introducción
6.2  Selección de Individuos
6.3  El cruce y técnicas de cruce
6.4  Mutaciones y técnicas de mutación

Prácticas.-
1.- Estudio de Herramientas (2h)
2.- Aprendizaje Inductivo (4h)
3.- Aprendizaje de conceptos   (2h)
4.- Conexionismo          (6h)
5.- Control de la complejidad (4.5h)
6.- Algoritmos Genéticos   (1h)

La metodología empleada para la impartición de las clases, tanto prácticas como
teóricas, se basa en los siguientes puntos:


1º.  Explicación de contenidos mediante una metodología Expositoiva-
Elaborativa.

El alumno, como participante del proceso de enseñanza-aprendizaje,
debe recibir una explicación detallada de toda la teoría referente a la
asignatura. Además, se realizarán ciertos ejercicios prácticos modelo, para que
el alumno pueda, posteriormente, y basándose en los conceptos teóricos,
previamente expuestos, solventar cualquier situación no prevista.

2º.  Motivación del alumnado.

Se intentará crear el ambiente adecuado en clase para que el alumno
participe directamente. Además, se le dará la posibilidad de realizar trabajos
de investigación sobre aspectos concretos del temario que influirán en la nota
final del alumno.

3º.  Estimulación del razonamiento y la discusión.

El alumno puede, y debe, preguntar el por qué algo explicado por el
profesor es así, y el profesor debe ser capaz de responder y satisfacer la
curiosidad del alumno. Esta discusión se mantendrá siempre que sea del interés
del resto de los alumnos, en caso contrario, se citará al alumno en concreto a
una tutoría, donde se le resolverá personalmente la duda.

Nº de Horas (indicar total): 100

• Clases Teóricas: 19  
• Clases Prácticas: 19  
• Exposiciones y Seminarios:  
• Tutorías Especializadas (presenciales o virtuales):
  • Colectivas: 4  
  • Individules:  
• Realización de Actividades Académicas Dirigidas:
  • Con presencia del profesorado: 3  
  • Sin presencia del profesorado:  
• Otro Trabajo Personal Autónomo:
  • Horas de estudio: 30  
  • Preparación de Trabajo Personal: 21  
  • ...
     
• Realización de Exámenes:
  • Examen escrito:  
  • Exámenes orales (control del Trabajo Personal): 4  

Le evaluación consistirá en la entrega de trabajos donde
se resuelva un problema de aprendizaje real. Se valorará el análisis sobre la
decisión de una metodología concreta, las comparativas con otras metodologías
existentes, el análisis de la complejidad del problema, la presentación de los
resultados y estadísticas. Recursos bibliográficos. Dicho trabajo deberá ser
defendido en clase ante el resto de los alumnos.
NOTA = 50% trabajos + 50% defensa

• Breiman, L. Classification and regression trees. Belmont, Ca. Wadsworth
International Group. 1984
• Goldberg D. - Genetics Algorithms in Search, Optimization and Machine
Learning. Addison-Wesley, Reading, MA, 1989.
• Hilera J. – Redes Neuronales Artificiales. Fundamentos, Modelos y
Aplicaciones. Rama. 1995
• Holland J.H. - Adaptation in Natural and Artificial Systems. Ann Arbor, The
University of Michigan Press. 1975.
• Isasi P. – Redes Neuronales Artificiales. Un enfoque práctico. Pearson.
Pentice-Hall. 2003
• Mitchell, T. Machine Learning. McGraw-Hill. 1997
• Nilsson, N.J. – Artificial Inteligente: A new Síntesis. Morgan Kaufmann. 1998
• Michalewicz Z. - Genetic Algorithms + Data Structures = Evolution Programs -
Springer-Verlag, New York. 2da Edición, 1994.
• Quinlan, J.R. Induction of decission trees. Machine learning, 1(1), 81-106.
1986
• Quinlan, J.R. C4.5: Programs for Machine Learning. San Mateo, Ca. Morgan
Kauffmann. 1993
• Schalkoff R. Artificial Neural Network. McGraw-Hill. 1997
• Weiss S, – Computer System that Learn. Morgan Kaufmann Publishers, INC. San
Mateo, California. 1990