|
||||||||||||||||||||||||
Consulta de los datos generales Descripción Información previa a la matrícula Objetivos y competencias Contenidos Consulta de los recursos de aprendizaje que dispone la asignatura Recursos de aprendizaje 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 primer semestre del curso 2024-2025. 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. |
||||||||||||||||||||||||
Es 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 da 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, los algoritmos de clasificación, los métodos de optimización y las técnicas de aprendizaje profundo. La distinción entre aprendizaje supervisado y no supervisado es inherente al capítulos de clustering y clasificación, aunque se también presente 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 dela IA 1.3. Ámbitos de aplicación 2. recomendador y agrupamientos 2.1. Métricas y medidas de similitud 2.1.1. Ejemplo de aplicación 2.1.2. distancia euclidiana 2.1.3. Correlación de Pearson 2.2. sistemas recomendadores 2.2.1. conceptos generales 2.2.2. La biblioteca Surprise 2.2.3. Vecinos más cercanos 2.2.4. Descomposición en valores singulares 2.2.5. conclusiones 2.3. Algoritmos de agrupamiento (clustering) 2.3.1. Ejemplo de aplicación 2.3.2. conceptos generales 2.3.3. Agrupamiento jerárquico. dendrogramas 2.3.4. k-medios (k-means) 2.3.5. c-medios difuso (Fuzzy c-means) 2.3.6. Agrupamiento espectral (Spectral Clustering) 2.3.7. Recomendadores basados ¿¿en modelos 3. Extracción y selección de atributos 3.1. Técnicas de factorización matricial 3.1.1. Descomposición en valores singulares (SVD) 3.1.2. Análisis de componentes principales (PCA) 3.1.3. Análisis de componentes independientes (ICA) 3.1.4. Factorización de matrices no-negativas (NMF) 3.2. Discriminación de datos en clases 3.2.1. Análisis de discriminantes lineales (LDA) 3.3. Visualización de datos mutidimensionals 3.3.1. Escalamiento multidimensional (MDS) 4. Clasificación 4.1. Introducción 4.1.1. Categorización de textos 4.1.2. Aprendizaje automático para clasificación 4.1.3. Tipología de algoritmos para 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. Descenso de gradientes 5.3.1. Presentación de la idea 5.3.2. Ejemplo de aplicación 5.3.3. cuestiones adicionales 5.4. Salto de valles 5.4.1. Descripción del método 5.4.2. Ejemplo de aplicación 5.4.3. Análisis del método 5.5. algoritmos genéticos 5.5.1. Descripción del método 5.5.2. Ampliaciones y mejoras 5.5.3. Ejemplos de aplicación 5.5.4. Recopilación de estadísticas 5.5.5. problemas combinatorios 5.5.6. Problemas con restricciones 5.5.7. Análisis del método 5.6. Colonias de hormigas 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. Optimización con enjambres de partículas 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 5.8. Búsqueda tabú. 5.8.1. Descripción del método 5.8.2. Ejemplo de aplicación 5.8.3. Análisis del método 5.8.4. Código fuente en Python 6. Aprendizaje profundo 6.1. Introducción 6.1.1. logros recientes 6.1.2. causas 6.1.3. arquitecturas 6.1.4. Bibliotecas 6.2. redes neuronales 6.2.1. Componentes de una red neuronal 6.2.2. Funciones de activación 6.2.3. Entrenamiento de una red neuronal 6.2.4. Problemas de aprendizaje 6.2.5. algunas soluciones 6.2.6. aprendizaje profundo 6.3. perceptrón multicapa 6.3.1. idea6.3.2. Ejemplo de MLP 6.4. Clasificación de imágenes con redes neuronales convolucionales (CNN) 6.4.1. Implementación de las CNN en Python utilizando las librerías kerait 6.5. redes recurrentes 6.5.1. idea 6.5.2. programación 6.6. otras arquitecturas 6.6.1. Autocodificadors 6.6.2. Aprendizaje por refuerzo 6.6.3. sistemas generadores 7. Anexo: conceptos básicos de estadística |
||||||||||||||||||||||||
|
||||||||||||||||||||||||
La asignatura se compone de los módulos didácticos en apoyo papel, que contienen ejercicios de autoevaluación con soluciones y actividades diversas. |
||||||||||||||||||||||||
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 (extraídos de casos reales). 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. |
||||||||||||||||||||||||
El proceso de evaluación se fundamenta en el trabajo personal de cada estudiante y presupone la autenticidad de la autoría y la originalidad de los ejercicios realizados. La falta de autenticidad en la autoría o de originalidad de las pruebas de evaluación; la copia o el plagio; el intento fraudulento de obtener un resultado académico mejor; la colaboración, el encubrimiento o el favorecimiento de la copia, o la utilización de material o dispositivos no autorizados durante la evaluación, entre otras, son conductas irregulares que pueden tener consecuencias académicas y disciplinarias graves. Por un lado, si se detecta alguna de estas conductas irregulares, puede comportar el suspenso (D/0) en las actividades evaluables que se definan en el plan docente incluidas las pruebas finales o en la calificación final de la asignatura, ya sea porque se han utilizado materiales o dispositivos no autorizados durante las pruebas, como redes sociales o buscadores de información en internet, porque se han copiado fragmentos de texto de una fuente externa (internet, apuntes, libros, artículos, trabajos o pruebas del resto de estudiantes, etc.) sin la correspondiente citación, o porque se ha practicado cualquier otra conducta irregular. Por el otro, y de acuerdo con las normativas académicas, las conductas irregulares en la evaluación, además de comportar el suspenso de la asignatura, pueden dar lugar a la incoación de un procedimiento disciplinario y a la aplicación, si procede, de la sanción que corresponda. |
||||||||||||||||||||||||
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. Para poder realizar la prueba de síntesis (PS), la calificación FC deberá ser de 5 como mínimo. Esta nota (FC) se obtiene como el 60% de la calificación obtenida de la evaluación continuada (EC) y el 40% de la calificación de la Práctica. Para que se calcule esta nota (FC), hay dos requisitos que se tienen que cumplir:
La calificación de EC se calculará como el promedio de las calificaciones obtenidas para cada una de las PECs. Cualquier PEC no entregada se contabilizará con una calificación de 0 para calcular la calificación de EC. El hecho de entregar como mínimo la mitad de PECs (2 o más) implica que obtendréis una nota final de evaluación continuada distinta a No Presentado. En la práctica se trabajan los contenidos de los capítulos 2-6, fundamentalmente dentro del campo del aprendizaje. El objetivo de esta práctica es facilitar el aprendizaje de los conceptos que se explican en estos módulos de la asignatura. La realización de la práctica supondrá una carga de trabajo más elevada que la necesaria para una PEC. Por esto, se dispondrá de más tiempo entre la publicación del enunciado y la entrega de la práctica que en el caso de las PEC. |
||||||||||||||||||||||||
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. |