Profesorado

Dr. Joaquín Pizarro Junquera (Coordinador)

Situación

Prerrequisitos

Conocimientos de Estadística y Programación.

Contexto dentro de la titulación

Optativa

Recomendaciones

Haber cursado la asignatura Reconocimiento de Patrones

Competencias

Competencias transversales/genéricas

- Capacidad para resolver problemas
­- Trabajo en equipo
­- Capacidad para el análisis y la síntesis

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.

Criterios y Sistemas de Evaluación

Al dejar de impartirse la asignatura en el curso 2014/2015 dispone de 4
convocatorias de examen que puede distribuir durante los cursos
2014/2015 y 2015/2016.

Para la evaluación de la asignatura se realizarán dos pruebas en el
examen:

* Prueba escrita sobre el programa de la asignatura.
Constará de: preguntas de respuesta breve, preguntas de respuesta
múltiple o alternativa (test) y/o preguntas de dessarrollo corto en
las que se evaluará el conocimiento básico de los alumnos sobre la
asignatura.

* Prueba práctica sobre los conocimientos prácticos adquiridos. El
alumno deberá resolver determinadas cuestiones prácticas establecidas.

La calificación de la prueba escrita representa el 40% de la nota
final, y la de la prueba práctica el 60%.

La nota final resultante debe ser 5 o superior para poder superar la
asignatura.

Recursos Bibliográficos

• Michael R. Berthold, Christian Borgelt, Frank Höppner and Frank
Klawonn. "Guide to Intelligent Data Analysis. How to Intelligently
Make Sense of Real Data" Springer 2010
• Claude; Webb, Geoffrey I. "Encyclopedia of Machine". Springer
2011
• 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