Competencias del título |
Código
|
Competencias / Resultados del título
|
A24 |
CE24 - Comprensión y dominio de las principales técnicas básicas y avanzadas de aprendizaje automático, incluyendo las dedicadas al tratamiento de grandes volúmenes de datos. |
A25 |
CE25 - Capacidad para identificar la adecuación de cada una de las técnicas de aprendizaje automático a la resolución de un problema, incluyendo los aspectos relacionados con su complejidad computacional o su capacidad explicativa, de acuerdo a los requisitos establecidos. |
A26 |
CE26 - Conocimiento de las herramientas informáticas actuales en el campo del aprendizaje automático, y capacidad para seleccionar la más adecuada para la resolución de un problema. |
B2 |
CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio |
B3 |
CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética |
B7 |
CG2 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables. |
B8 |
CG3 - Ser capaz de mantener y extender planteamientos teóricos fundados para permitir la introducción y explotación de tecnologías nuevas y avanzadas en el campo. |
B9 |
CG4 - Capacidad para abordar con éxito todas las etapas de un proyecto de análisis de datos: exploración previa de los datos, preprocesado, análisis, visualización y comunicación de resultados. |
B10 |
CG5 - Ser capaz de trabajar en equipo, especialmente de carácter multidisciplinar, y ser hábiles en la gestión del tiempo, personas y toma de decisiones. |
C1 |
CT1 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida. |
Resultados de aprendizaje |
Resultados de aprendizaje |
Competencias / Resultados del título |
Comprender la relación entre la complejidad de los modelos de aprendizaje, las características de los datos de entrenamiento y el sobreajuste, y conocer los mecanismos para evitarlo. |
A24 A25
|
|
|
Desarrollar capacidades para diseñar las etapas de un proceso completo de análisis de datos basado en técnicas de aprendizaje automático |
|
B2 B7 B9 B10
|
C1
|
Saber aplicar correctamente las técnicas de aprendizaje automático para obtener resultados fiables y significativos |
A24
|
B3 B8
|
|
Conocer las técnicas más representativas y actuales de aprendizaje no supervisado, semisupervisado y supervisado, con y sin refuerzo. |
A24
|
B8
|
|
Conocer las técnicas más representativas de aprendizaje para los problemas clásicos de clasificación, regresión y agrupación, y otros menos clásicos como problemas de ordenación, problemas de una clase o multitarea. |
A24
|
B8
|
|
Identificar las técnicas apropiadas de análisis de datos según el problema. |
A25
|
B3 B8
|
|
Manejar las herramientas y entornos de trabajo más actuales en el ámbito del aprendizaje automático. |
A26
|
B2 B10
|
|
Contenidos |
Tema |
Subtema |
1. Introducción |
1.1. Introducción al Aprendizaje Automático
1.2. Aprendizaje Inductivo
|
2. Aprendizaje supervisado |
2.1. Introducción
2.2. Redes de Neuronas Artificiales
2.3. Máquinas de Soporte Vectorial
2.4. Árboles de decisión
2.5. Árboles de regresión y árboles de modelos de regresión
2.6. Aprendizaje basado en instancias
|
3. Computación Evolutiva |
3.1. Algoritmos Genéticos
3.2. Programación Genética
3.3. Enjambres y otras técnicas de Computación Evolutiva
|
4. Metodologías en el análisis de datos |
4.1. Metodologías de entrenamiento, evaluación y selección de modelos
4.2. Metodologías de un proyecto de análisis de datos
|
5. Aprendizaje no supervisado |
5.1. Métodos de clustering
5.2. Redes autoorganizadas |
Planificación |
Metodologías / pruebas |
Competencias / Resultados |
Horas lectivas (presenciales y virtuales) |
Horas trabajo autónomo |
Horas totales |
Sesión magistral |
A24 A25 B3 B8 B9 |
30 |
60 |
90 |
Prácticas de laboratorio |
A26 B2 B3 B10 C1 |
18 |
18 |
36 |
Trabajos tutelados |
B2 B3 B7 B9 B10 |
10 |
10 |
20 |
Prueba objetiva |
A24 A25 B8 B9 |
2 |
0 |
2 |
|
Atención personalizada |
|
2 |
0 |
2 |
|
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
Metodologías |
Descripción |
Sesión magistral |
Impartición teórica de la materia da asignatura |
Prácticas de laboratorio |
Resolver problemas prácticos mediante el uso de las distintas técnicas que se explicarán en las clases de teoría |
Trabajos tutelados |
Redacción, bajo la tutela del profesor, de las memorias en las que se expliquen las resoluciones de los problemas realizados en las prácticas de laboratorio |
Prueba objetiva |
Prueba de evaluación escrita en la que el alumno deberá demostrar los conocimientos adquiridos en la asignatura |
Atención personalizada |
Metodologías
|
Prácticas de laboratorio |
Trabajos tutelados |
|
Descripción |
Realización del trabajo práctico con el asesoramiento del profesor.
Redacción de las memorias explicativas bajo la tutela del profesor. |
|
Evaluación |
Metodologías
|
Competencias / Resultados |
Descripción
|
Calificación
|
Prácticas de laboratorio |
A26 B2 B3 B10 C1 |
Resolución de problemas del mundo real utilizando la metodología, para lo cual se utilizarán varias técnicas explicadas en teoría, y se estimulará al alumno a generar nuevas ideas para la resolución de estos problemas. |
25 |
Trabajos tutelados |
B2 B3 B7 B9 B10 |
Redacción de las memorias relativas a la resolución de los problemas reales realizados en las prácticas de laboratorio. La redacción de las memorias incluirá la realización de una revisión bibliográfica de los trabajos más importantes relacionados, escritos en su inmensa mayoría en inglés, documentación sobre el problema a resolver, metodología utilizada, y comparación de los resultados obtenidos en la aplicación de las distintas técnicas, así como una valoración crítica tanto de los resultados obtenidos como de la información utilizada. |
25 |
Prueba objetiva |
A24 A25 B8 B9 |
Preguntas de tipo test sobre los contenidos de la asignatura, basada en las distintas técnicas de aprendizaje computacional y sus aplicaciones. |
50 |
|
Observaciones evaluación |
Para superar la materia, el alumno deberá obtener una calificación mínima de 5 sobre 10 como resultado de combinar las calificaciones de la prueba objetiva, las prácticas de laboratorio y los trabajos tutelados. Ademáis, el alumno deberá obtener una nota mínima de 2 sobre 5 puntos en la prueba objetiva. Si no obtiene esta nota mínima, la nota de la materia será la correspondiente a la nota de la prueba objetiva.
En la segunda oportunidad, se mantiene la nota obtenida en las prácticas de laboratorio y trabajos tutelados, no pudiendo volver a obtener nota ya que resulta de la evaluación continua del trabajo durante los créditos de práctica da materia. El alumno puede volver a hacer el examen de la prueba objetiva, siendo los criterios para obtener la nota total los indicados al principio de este apartado.
Aquellos alumnos con matrícula a tempo parcial deberán entregar los trabajos en fecha al igual que los alumnos a tiempo completo, y asistir a los TGR en los que se corregirán los mismos. De igual manera, es recomendable su asistencia a las clases de prácticas.
|
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente |
Diseño y Análisis de Algoritmos/614G02011 | Modelos de Regresión/614G02012 | Modelización Estadística de Datos de Alta Dimensión/614G02013 | Señales y Sistemas/614G02014 | Fundamentos de Programación II/614G02009 | Fundamentos de Programación I/614G02004 | Inferencia Estadística/614G02007 |
|
Asignaturas que se recomienda cursar simultáneamente |
Teoría de la Información/614G02018 | Optimización Matemática/614G02020 |
|
Asignaturas que continúan el temario |
Aprendizaje Automático a Gran Escala/614G02032 | Métodos Numéricos para Ciencia de Datos/614G02033 | Aprendizaje Automático III/614G02026 | Procesamiento de Imagen, Vídeo y Audio/614G02028 | Aprendizaje Automático II/614G02021 |
|
|