Guía docente de Aprendizaje Automático (Especialidad Computación y Sistemas Inteligentes) (296113C)

No es necesario que los alumnos tengan aprobadas asignaturas, materias o módulos previos como requisito indispensable para cursar este módulo No obstante se recomienda la superación de los contenidos y adquisición de competencias de las materias de formación básica y de rama

• Modelos de aprendizaje automático
• Clasificación supervisada y no supervisada
• Selección de modelos
• Técnicas de selección de características
• Validación y verificación

Particulares:

• Conocer los distintos enfoques para realizar el aprendizaje y entender el aprendizajecomo mecanismo para obtener conocimiento.
• Distinguir las distintas técnicas de  aprendizaje, así como determinar cuál de ellas es apropiada para resolver un determinado problema.
• Analizar los distintos modelos de aprendizaje inductivo.
• Estudio de modelos de aprendizaje no supervisado y su aplicación.
• Conocer técnicas de validación y verificación de modelos, experimentar con dichas técnicas en diferentes problemas reales.
• Aprender el uso de herramientas software de aprendizaje en aplicaciones reales.

Objetivos formativos de carácter general (Competencias según BOE de 4 de Agosto de 2009)

• Ser capaz de desarrollar y evaluar sistemas interactivos y de presentación de información compleja y su aplicación a la resolución de problemas de diseño de interacción persona computadora.
• Ser capaz de conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos

• Tema 1: Conceptos básicos del problema de aprendizaje.
• Tema 2: Fundamentos del Aprendizaje Estadístico
• Tema 3: Modelos lineales de aprendizaje supervisado:   Perceptron, Regresión Lineal, Regresión Logistica.
• Tema 4: Selección y validación  de  modelos.
• Tema 5: Regularización  y estabilidad
• Tema 6: Modelo Lineal Óptimo: SVM
• Tema 7: Redes Neuronales
• Tema.8: Aprendizaje por semejanza: k-NN, Redes Base Radial
• Tema.9: Grupos de Clasificadores: Árboles, Boosting 
• Tema 10: Técnicas de aprendizaje no supervisado
• Seminario : Retos y desafios del aprendizaje automático.

• Práctica 0: Lenguaje (Python) y librerías de aprendizaje.
• Práctica 1: Experimentación con clasificadores lineales simples
• Práctica 2: Experimentación con selección y validación de modelos
• Practica 3: Ajuste de un modelo lineal a datos reales
• Proyecto: Ajuste de un modelo a datos reales
• Seminario : Exposición de las herramientas necesarias para el desarrollo autónomo de las prácticas

• Y.S. Abu-Mostafa, M.Magdom-Ismail, H. Lin (2012), Learning from data. AMLbook.com
• V. Cherkassky, F. Mulier, Learning form data. IEEE Press,2007

• Hastie, Tibshirani & Friedman,  The Elements of Statistical Learning, Springer, 2010 

• https://work.caltech.edu/telecourse
• https://web.stanford.edu/~hastie/Papers/ESLII.pdf

• MD01. Lección Magistral (Clases Teóricas-Expositivas) 
• MD02. Actividades Prácticas (Resolución de Problemas, Resolución de Casos Prácticos, Desarrollo de Proyectos, Prácticas en Laboratorio, Taller de Programación, Aula de Informática, Prácticas de Campo). 

La adaptación del sistema de evaluación continua propuesto a las características de esta asignatura, con indicación explícita del peso de la evaluación de cada actividad formativa, se ajustará a lo indicado en la siguiente tabla:

Porcentajes de evaluación

Régimen de asistencia

No es obligatoria la asistencia a las clases clases. Pero si será obligatoria la asistencia  a las convocatorias de defensa, tanto de los ejercicios y problemas de la teoría como  de las implementaciones de las prácticas, que se les haga por parte de los profesores

La evaluación extraordinaria se realizará en un solo acto académico el día de la convocatoria oficial de examen para la asignatura. Dicha prueba (evaluada de 0 a 10) incluirá preguntas tanto  de tipo teórico (65%) como realización de prácticas (35%) que garanticen que el alumno ha adquirido la totalidad de las competencias descritas en esta misma guía docente. Adicionalmente, para aquellos alumnos que hayan superado la parte práctica por evaluación continua, pero no la parte teórica, la calificación obtenida en prácticas podrá ser tenida en cuenta, pero sólo para la convocatoria extraordinaria inmediatamente posterior a la ordinaria

•  Teoría: 65%
•  Practicas: 35%

De acuerdo a lo establecido en la Normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada vigente, la evaluación será preferentemente continua. No obstante, el estudiante que no pueda acogerse a dicho sistema por motivos laborales, estado de salud, discapacidad, programas de movilidad o cualquier otra causa debidamente justificada podrá acogerse a la evaluación única final. Para ello deberá solicitarlo al Director del Departamento en las dos primeras semanas de impartición de la asignatura o, excepcionalmente, en las dos primeras semanas tras la matriculación en la asignatura.