|
||||||||||
Consulta de los datos generales Descripción Información previa a la matrícula Objetivos y competencias Contenidos Consulta de los materiales de los que dispone la asignatura Materiales y herramientas de apoyo Informaciones sobre la evaluación a la UOC Consulta del modelo de evaluación | ||||||||||
ATENCIÓN: Esta información recoge los apartados del plan docente de la asignatura durante el último semestre con docencia. Al iniciar el periodo de matrícula, podrás consultar el calendario y modelo de evaluación para el siguiente semestre en Secretaría/ Matrícula / Horarios pruebas de evaluación final. | ||||||||||
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. |
||||||||||
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. |
||||||||||
|