Aprendizaje automático Código:  22.518    :  6
Consulta de los datos generales   Descripción   La asignatura en el conjunto del plan de estudios   Objetivos y competencias   Contenidos   Consulta de los recursos de aprendizaje de la UOC para la asignatura   Información adicional sobre los recursos de aprendizaje y herramientas de apoyo   Informaciones sobre la evaluación en la UOC   Consulta del modelo de evaluación  
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 profundizar en diversas técnicas de aprendizaje automático (machine learning).

En la asignatura de Minería de datos ya se vio una introducción a la extracción y selección de características, diversas técnicas de aprendizaje no supervisado (agrupamiento o clustering) así como también algunas técnicas de aprendizaje supervisado (k nearest neighbors, árboles de decisión y regresión lineal simple). Además, se analizaron los diversos protocolos de evaluación (división de los datos en entrenamiento, validación y test, cross-validation) así como diversas medidas de evaluación (exactitud, f-score, precisión y sensibilidad, entre otros).

En esta asignatura se darán a conocer otras técnicas de aprendizaje supervisado muy extendidas en el campo del aprendizaje automático. Por un lado, los árboles de decisión, la regresión logística, el clasificador Naïve Bayes, las support vector machines y las redes neuronales con respecto a los algoritmos de clasificación. Por otra parte, la regresión lineal múltiple y el support vector regresor respecto a algoritmos de regresión. A continuación, se introducirán técnicas que permiten combinar varios métodos como bagging y boosting.

Además, se hará una introducción a las técnicas de deep learning, donde se verán las redes neuronales feed-forward (multi layer perceptron y redes neuronales convolucionales) y las redes neuronales recurrentes. 

También conoceremos en que se basan los sistemas recomendadores y las diferentes técnicas existentes para recomendar un producto a un usuario en función de sus propias preferencias y las del resto de usuarios de una plataforma.

Por último, se verá una tercera familia de algoritmos de aprendizaje automático: el aprendizaje por refuerzo o Reinforcement learning, donde un agente es capaz de aprender a partir de recompensas positivas o negativas que recibe del entorno con el que interacciona. 

Amunt

Esta asignatura tiene como pre-requisito haber superado la asignatura Minería de datos.

En Minería de datos se hace una introducción a diversas técnicas de aprendizaje supervisado y no supervisado, en problemas tanto de clasificación como de regresión, y también incluye una descripción sobre los protocolos y medidas de evaluación.

Amunt


Competencias

Competencia básica

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.

Competencia básica

Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.

Competencia general

Buscar, gestionar y usar la información más adecuada para modelizar problemas concretos y aplicar adecuadamente procedimientos teóricos para su resolución de manera autónoma y creativa.

Competencia general

Identificar y generar nuevas ideas innovadoras que aporten valor económico y/o social.

Competencia general

Comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión en el marco de la ciencia de datos.

Competencia transversal

Expresarse de forma escrita de forma adecuada al contexto académico y profesional.

Competencia específica

Utilizar de forma combinada los fundamentos matemáticos, estadísticos y de programación para desarrollar soluciones a problemas en el ámbito de la ciencia de los datos.

Competencia específica

Aplicar técnicas específicas de captura, tratamiento y análisis de datos estructurados, semi-estructurados y no estructurados.


Competencia específica

Resumir, interpretar, presentar y contrastar de forma crítica los resultados obtenidos utilizando las herramientas de análisis y visualización más adecuadas.





Resultados de aprendizaje

Argumentar e identificar los distintos tipos de problemas de aprendizaje, diferenciando entre aprendizaje supervisado y no supervisado.

Conocer los principales métodos de aprendizaje automático en problemas supervisados y no supervisados, y saber aplicar el tipo de algoritmo adecuado en cada situación, así como sus puntos fuertes y debilidades.

Conocer las metodologías y etapas básicas de un proyecto de minería de datos o, en general, de un proyecto de ciencia de datos.

Identificar los distintos roles que aparecen en un proyecto de ciencia de datos y reconocer las tareas asociadas a cada uno de ellos.

Interpretar y analizar los resultados de los algoritmos teniendo en cuenta temas relevantes de índole social, científica o ética.

Realizar un análisis de los resultados obtenidos con los principales métodos de aprendizaje automático usando las métricas de evaluación comunes para estos problemas.

Conocer los distintos métodos existentes para combinar diversos modelos en problemas de aprendizaje supervisado, tanto para clasificación como regresión.

Conocer las diferentes partes que forman una red neuronal así como las técnicas de entrenamiento de las mismas.

Identificar los distintos elementos que aparecen en un proyecto de aprendizaje por refuerzo.

Saber explicar cómo funcionan los sistemas recomendadores a un público tanto especializado como no especializado.







Amunt

Contenidos

Número de nivel

Título

1

De donde partimos: introducción al aprendizaje automático

2

Aprendizaje supervisado: problemas de clasificación

3

Aprendizaje supervisado: problemas de regresión y combinación de métodos

3.1

Problemas de regresión

3.2

Combinación de métodos

4

Redes neuronales

5

Sistemas recomendadores

6

Aprendizaje por refuerzo 

Amunt

Espacio de recursos de ciencia de datos Web
Introducció a l'aprenentatge automàtic (Notebook) Código fuente
Aprendizaje supervisado: problemas de clasificación PDF
Aprenentatge supervisat: problemes de classificació (Notebook) Código fuente
Aprendizaje supervisado: problemas de regresión y combinación de métodos PDF
Aprenentatge supervisat: problemes de regressió (Notebook) Código fuente
Aprenentatge supervisat: combinació de mètodes (Notebook) Código fuente
Xarxes neuronals: fonaments i intuïcions (Notebook) Código fuente
Neuronal networks examples (Notebook) Código fuente
Aprendizaje por refuerzo PDF
Aprenentatge per reforç (Notebook) Código fuente
Sistemas recomendadores PDF
Sistemes recomanadors (Notebook) Código fuente

Amunt

La asignatura cuenta con unos recursos textuales con todos los fundamentos teóricos de la asignatura. Estos recursos textuales se complementan con unos recursos prácticos en formato notebook. Los notebooks están implementados en python y han sido desarrollados para que sean fácilmente ejecutables en google Colab. Puntualmente pueden haber otros recursos complementarios.

Amunt

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.

La UOC se reserva la potestad de solicitar al estudiante que se identifique o que acredite la autoría de su trabajo a lo largo de todo el proceso de evaluación por los medios que establezca la universidad (síncronos o asíncronos). A estos efectos, la UOC puede exigir al estudiante el uso de un micrófono, una cámara u otras herramientas durante la evaluación y que este se asegure de que funcionan correctamente.

La verificación de los conocimientos para garantizar la autoría de la prueba no implicará en ningún caso una segunda evaluación.

Amunt

La asignatura solo puede aprobarse con el seguimiento y la superación de la evaluación continua (EC). La calificación final de la asignatura es la nota obtenida en la EC.

 

Amunt