Profesorado

Dr. Joaquín Pizarro Junquera (Coordinador)

Situación

Prerrequisitos

Ninguno

Contexto dentro de la titulación

Optativa

Recomendaciones

No

Competencias

Competencias transversales/genéricas

- Capacidad para resolver problemas
­- Trabajo en equipo
­- Capacidad para el análisis y la síntesis
­- Capacidad para la organización y planificación
­- Comunicación oral y escrita

Competencias específicas

• Cognitivas(Saber):

  - Entender los conceptos relacionados con el Aprendizaje Automático
  - Distinguir los distintos modelos de Aprendizaje
  - Valorar y conocer cada una de las técnicas existentes para el
  desarrollo de modelos de aprendizaje
  - Posibilitar la asimilación de las metodologías más relevantes en
  la resolución de problemas de Aprendizaje.
  - Favorecer la aplicación práctica mediante su implementación
  utilizando las herramientas de software apropiadas.
  - Saber decidir sobre la complejidad óptima de estos modelos
  - Aplicación de estas metodologias a problemas reales.
  

• Procedimentales/Instrumentales(Saber hacer):

  ­- Creación de modelos de aprendizaje para situaciones reales.
  ­- Visualización e interpretación de soluciones
  ­- Diseño de experimentos y estrategias
  ­- Diseño e implementación de algoritmos
  

• Actitudinales:

  - Habilidades sociales
  - Capacidad de abstracción
  - Metódico
  ­- Conocimiento de los procesos de aprendizaje
  ­- Capacidad de crítica.
  ­- Capacidad de relación con otras asignaturas

Objetivos

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.

Programa

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

2 Aprendizaje inductivo.
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 Control de la complejidad.
3.1  Introducción.
3.2  Métodos De Penalización.
3.3  Métodos de Remuestreo.
3.4  Métodos de Combinación de modelos.


4 Conexionismo.
4.1  Introducción.
4.2  El modelo biológico.
4.3  Redes supervisadas.
4.4  Redes no supervisadas.


5 Algoritmos Genéticos.
5.1  Introducción.
5.2  Selección de Individuos.
5.3  El cruce y técnicas de cruce.
5.4  Mutaciones y técnicas de mutación.

Prácticas.-
1.- Estudio de Herramientas.
2.- Aprendizaje Inductivo.
3.- Conexionismo.
4.- Control de la complejidad.
5.- Algoritmos Genéticos.

Metodología

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 Expositiva-
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.

Distribución de horas de trabajo del alumno/a

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: 10  
• Otro Trabajo Personal Autónomo:
  • Horas de estudio: 42  
  • Preparación de Trabajo Personal:  
  • ...
     
• Realización de Exámenes:
  • Examen escrito: 3  
  • Exámenes orales (control del Trabajo Personal):  

Técnicas Docentes

Criterios y Sistemas de Evaluación

La evaluación consistirá en un ejercicio puntuado de la siguiente forma:

NOTA = 30% Teoría + 70% Ejercicios

Recursos Bibliográficos

• Hilera J. – Redes Neuronales Artificiales. Fundamentos, Modelos y
Aplicaciones. Rama. 1995
• Weiss S, – Computer System that Learn. Morgan Kaufmann Publishers, INC.
San Mateo, California. 1990
• Mitchell, T. Machine Learning. McGraw-Hill. 1997
• Goldberg D. - Genetics Algorithms in Search, Optimization and Machine
Learning. Addison-Wesley, Reading, MA, 1989.
• 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
• 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