|
||||||||||||||||||||||||||||||||||||
Consulta de los datos generales Descripción Información previa a la matrícula Objetivos y competencias Contenidos Consulta de los materiales que dispone la asignatura Materiales y herramientas de apoyo Metodología Información sobre la evaluación en la UOC Consulta del modelo de evaluación Evaluación Contínua Evaluación final Feedback | ||||||||||||||||||||||||||||||||||||
Este es el plan docente de la asignatura para el segundo semestre del curso 2023-2024. Podéis consultar si la asignatura se ofrece este semestre en el espacio del campus Más UOC / La universidad / Planes de estudios). Una vez empiece la docencia, tenéis que consultarlo en el aula. El plan docente puede estar sujeto a cambios. | ||||||||||||||||||||||||||||||||||||
La motivación principal de esta asignatura es la de dar a conocer el aprendizaje automático y como se sitúa dentro del campo de la Inteligencia Artificial. |
||||||||||||||||||||||||||||||||||||
Se recomendable haber cursado las asignaturas de Inteligencia Artificial y Aprendizaje Computacional del grado en Ingeniería Informática. También es muy recomendable haber superado la asignatura de prácticas de programación o equivalente en algún programa de informática. Si bien la asignatura no está pensada para tener una alta carga de programación, se darán por sabidos los conceptos más básicos de algorísmica. |
||||||||||||||||||||||||||||||||||||
Las competencias generales del Máster que se ponen de manifiesto en esta asignatura son:
|
||||||||||||||||||||||||||||||||||||
En esta asignatura los contenidos se han estructurado en dos módulos. En el primer módulo se muestra una visión general del aprendizaje dentro de la Inteligencia Artificial. En principio se hace la distinción entre algoritmos dedicados a la agrupación (clustering) y recomendación de información, los algoritmos de extracción y selección de características, y los algoritmos de clasificación. La distinción entre aprendizaje supervisado y no supervisado es inherente a los capítulos de clustering y clasificación, aun cuando se presente también en el capítulo de extracción de características. El segundo módulo, mucho más breve, está dedicado al aprendizaje del lenguaje Python. Se pretende introducir al estudiante en algunas (de las muchas) características que tiene este lenguaje, de cara a una mejor comprensión de los módulos de teoría, y poder realizar prácticas de forma autónoma. A continuación se da el contenido detallado de cada uno de estos módulos. 1. Introducción a la Inteligencia Artificial (IA) 1.1. Neuronas y transistores 1.2. Breve historia de la IA. 1.3. Ámbitos de aplicación 1.4. Organización del libro 2. Recomanadores y agrupamientos 2.1. Introducción 2.2. Métricas y medidas de similitud 2.2.1. Ejemplo de aplicación 2.2.2. Distancia euclídea 2.2.3. Correlación de Pearson 2.2.4. Procesamiento de datos reales 2.2.5. Conclusiones 2.3. Recomanadores basados en memoria 2.3.1. Conceptos generales 2.3.2. Aproximaciones simples 2.3.3. Recomendación ponderada 2.3.4. Conclusiones 2.4. Algoritmos de agrupamiento (clustering) 2.4.1. Ejemplo de aplicación 2.4.2. Conceptos generales 2.4.3. Agrupamiento jerárquico. Dendrogrames 2.4.4. k-medianos (k-means) 2.4.5. c-medianos difuso (Fuzzy c-means) 2.4.6. Agrupamiento espectral (Spectral Clustering) 2.4.7. Recomanadores basados en modelos 3. Extracción y selección de atributos 3.1. Introducción. 3.2. Técnicas de factorización matricial. 3.2.1. Descomposición en valores singulares (SVD) 3.2.2. Análisis de componentes principales (PCA) 3.2.3. Análisis de componentes independientes (ICA) 3.2.4. *Factorització de matrices no-negativas (NMF) 3.3. Discriminación de datos en clases 3.3.1. Análisis de discriminantes lineales (LDA) 3.4. Visualización de datos mutidimensionales 3.4.1. Escalamiento multidimensional (MDS) 4. Clasificación. 4.1. Introducción 4.1.1. Categorización de textos 4.1.2. Aprendizaje automático por clasificación 4.1.3. Tipología de algoritmos por clasificación 4.2. Métodos basados en modelos probabilísticos 4.2.1. Naïve Bayes 4.2.2. Máxima Entropía. 4.3. Métodos basados en distancias. 4.3.1. KNN. 4.3.2. Clasificador lineal basado en distancias. 4.3.3. Clustering dentro de clases. 4.4. Métodos basados en reglas. 4.4.1. Árboles de decisión. 4.4.2. AdaBoost. 4.5. Clasificadores lineales y métodos basados en Kernels. 4.5.1. Clasificador lineal basado en producto escalar 4.5.2. Clasificador lineal con Kernel 4.5.3. Kernels para tratamiento de textos 4.5.4. Máquinas de vectores de soporte 4.6. Protocolos de test. 4.6.1. Protocolos de validación. 4.6.2. Medidas de evaluación 4.6.3. Tests estadísticos 4.6.4. Comparativa de clasificadores. 5. Optimización. 5.1. Introducción. 5.1.1. Tipología de los métodos de optimización. 5.1.2. Características de los metaheurísticos de optimización 5.2. Optimización mediante multiplicadores de Lagrange. 5.2.1. Descripción del método. 5.2.2. Ejemplo de aplicación. 5.2.3. Análisis del método 5.3. Recocción simulada (Simulated Annealing) 5.3.1. Descripción del método 5.3.2. Ejemplo de aplicación. 5.3.3. Análisis del método 5.3.4. Código fuente en Python. . 5.4. Algoritmos genéticos. 5.4.1. Descripción del método 5.4.2. Ampliaciones y mejoras. 5.4.3. Ejemplo de aplicación 5.4.4. Análisis del método 5.4.5. Código fuente en Python 5.5. Colonias de hormigas 5.5.1. Descripción del método 5.5.2. Ejemplo de aplicación 5.5.3. Análisis del método 5.5.4. Código fuente en Python 5.6. Optimización con enjambres de partículas 5.6.1. Descripción del método 5.6.2. Ejemplo de aplicación 5.6.3. Análisis del método 5.6.4. Código fuente en Python 5.7. Búsqueda tabú. 5.7.1. Descripción del método 5.7.2. Ejemplo de aplicación 5.7.3. Análisis del método 5.7.4. Código fuente en Python |
||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||
La asignatura se compone de los módulos didácticos en apoyo papel, que contienen ejercicios de autoevaluación con soluciones y actividades diversas. Este material se complementará con aquel que los consultores pongan al alcance de los estudiantes al aula de la asignatura. Se prevé también la creación de una aula de laboratorio para resolver las dudas correspondientes al lenguaje Python. |
||||||||||||||||||||||||||||||||||||
Por lo que respeta al estudio de los materiales, conviene remarcar que se considera fundamental la realización de los ejercicios que se plantean a cada módulo. Sólo así se conseguirá una buena asimilación de los conceptos y métodos presentados en el módulo. La mayor parte de los conceptos explicados tienen su implementación en código Python. Se recomienda intentar primero resolver el problema y después comprobar el resultado con la solución propuesta. Los códigos están pensados para entender mejor el que se explica a teoría, y si se tercia poder hacer visualizaciones con los ejemplos prácticos que proponemos (disparos de casos reales). Por esto recomendamos, para cada ejercicio de autoevaluación: 1.-Resolverlo. 2.-Comparar la solución con la del solucionario (pueden ser diferentes).
Si tenéis dudas sobre la corrección de vuestra solución, dirigíos al profesor consultor. Se recomienda también, para cada tema: - Leer las explicaciones contenidas en cada apartado, haciendo especial énfasis en los ejercicios resueltos que se dan como ejemplos en Python. - Si surgen dudas ponerse en contacto con el consultor a través del foro de la asignatura intentando ser el máximo de concretos posible. - Una vez se considera que se han asimilado los conocimientos introducidos, intentar resolver los ejercicios de autoevaluación correspondientes a aquel apartado. - La participación en las actividades propuestas al aula. Temporalización e itinerarios formativos Accediendo al calendario, el estudiante dispondrá de una distribución orientativa del tiempo que se propone para el estudio de cada módulo. Además, el calendario incluye las fechas clave del semestre, como por ejemplo la publicación y la entrega de las Pruebas de Evaluación Continuada (PEC) y de la práctica. Las fechas de entrega de las PEC y de la práctica se deben respetar estrictamente. Por lo tanto, es muy recomendable que se siga la temporización propuesta y se intenten respetar las fechas indicadas para el estudio de cada módulo didáctico. El estudiante podrá acceder a los enunciados de las PEC y de la práctica en el espacio de Planificación del Aula Virtual, haciendo clic en la fecha del calendario señalada como publicación de la actividad en cuestión. |
||||||||||||||||||||||||||||||||||||
La Normativa académica de la UOC dispone que el proceso de evaluación se fundamenta en el trabajo personal del estudiante y presupone la autenticidad de la autoría y la originalidad de los ejercicios realizados. La falta de originalidad en la autoría o el mal uso de las condiciones en las que se hace la evaluación de la asignatura es una infracción que puede tener consecuencias académicas graves. El estudiante será calificado con un suspenso (D/0) si se detecta falta de originalidad en la autoría de alguna actividad evaluable (práctica, prueba de evaluación continua (PEC) o final (PEF), o la que se defina en el plan docente), ya sea porque ha utilizado material o dispositivos no autorizados, ya sea porque ha copiado de forma textual de internet, o ha copiado de apuntes, de materiales, manuales o artículos (sin la citación correspondiente) o de otro estudiante, o por cualquier otra conducta irregular. La calificación de suspenso (D/0) en la evaluación continua (EC) puede conllevar la obligación de hacer el examen presencial para superar la asignatura (si hay examen y si superarlo es suficiente para superar la asignatura según indique este plan docente). Cuando esta mala conducta se produzca durante la realización de las pruebas de evaluación finales presenciales, el estudiante puede ser expulsado del aula, y el examinador hará constar todos los elementos y la información relativos al caso. Además, esta conducta puede dar lugar a la incoación de un procedimiento disciplinario y la aplicación, si procede, de la sanción que corresponda. La UOC habilitará los mecanismos que considere oportunos para velar por la calidad de sus titulaciones y garantizar la excelencia y la calidad de su modelo educativo. |
||||||||||||||||||||||||||||||||||||
Ponderación de las calificaciones
Opción para superar la asignatura: (EC+Pr) + PS
Final Continuada (FC) = (EC+Pr) EC = 60 % Pr = 40 % Notas mínimas: · Pr = 5 · EC = 4 En caso de no conseguir la nota mínima en la Pr, la nota obtenida en la fórmula corresponde a la obtenida en la Pr, o el que indique el modelo de evaluación.
FC = 70 % PS = 30% Notas mínimas: · PS = 3,5 Cuando la nota obtenida en la PS sea inferior a los mínimos establecidos para cada fórmula, la calificación final de la asignatura será la nota obtenida en la PS. |
||||||||||||||||||||||||||||||||||||
La Evaluación Continuada (EC) se compone de tres pruebas de evaluación continuada (PEC) y de una práctica. |
||||||||||||||||||||||||||||||||||||
La nota final de la asignatura es calcula ponderando la nota FC (70%) con la nota de la prueba de síntesis (30%). |
||||||||||||||||||||||||||||||||||||
Tal y como se ha indicado en la metodología de la asignatura, el consultor os guiará y orientará a través del Tablón del aula para qué podáis hacer un buen seguimiento de la asignatura. También responderá las dudas que vayan saliente en el Foro del aula así como las consultas y comentarios enviados a su buzón personal. El consultor también hará un seguimiento personalizado de la evaluación continua, revisará todas las PEC y prácticas entregadas y comentará de forma cualitativa a nivel grupal y/o individual la resolución. Estos comentarios os ayudarán a progresar en vuestro aprendizaje y adquirir el conjunto de las competencias. |