Aprendizaje computacional Código:  75.583    :  6
Consulta de los datos generales   Descripción   La asignatura en el conjunto del plan de estudios   Campos profesionales en el que se proyecta   Conocimientos previos   Información previa a la matrícula   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 2022-2023. 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 de la Inteligencia Artificial como disciplina y entender que son los agentes y los sistemas multiagente.

En Inteligencia Artificial se dio una visión general de la Inteligencia Artificial y se presentaron algunos de los métodos y técnicas llamados clásicos, como son la resolución de problemas, la búsqueda y los sistemas basados en el conocimiento, también se vieron técnicas más avanzadas de razonamiento aproximado. 

En esta asignatura se profundizará mucho más en el problema del aprendizaje automático (machine learning), cubriendo los temas del aprendizaje no supervisado (clustering) y supervisado (clasificación). En especial, se hará hincapié en algoritmos del estado del arte como Support Vector Machines, ensemble de clasificadores o redes neuronales.

Amunt

La asignatura se enmarca como continuación lógica de Inteligencia Artificial, dentro del itinerario de Computación.

Amunt

La asignatura tiene un carácter práctico y proporciona las habilidades necesarias para que los estudiantes se enfrenten a problemas de la vida real que deben ser resueltos mediante el aprendizaje estadístico. El estudiante podrá adquirir competencias importantes para una actividad ligada a la innovación e investigación en áreas de análisis y explotación de datos.

Amunt

Es recomendable, aunque no pre requisito, tener conocimientos elementales de Álgebra Lineal y estadística.

Amunt

Es recomendable haber superado Inteligencia Artificial del grado en Informática.

Amunt

Competencias de grado

− Capacidad para utilizar los fundamentos matemáticos, estadísticos y físicos y comprender los sistemas TIC
− Capacidad para analizar un problema en el nivel de abstracción adecuado a cada situación y aplicar las habilidades y conocimientos adquiridos para abordarlo y resolverlo.
− Capacidad para conocer las tecnologías de comunicaciones actuales y emergentes y saberlas aplicar, convenientemente, para diseñar y desarrollar soluciones basadas en sistemas y tecnologías de la información
− Capacidad para proponer y evaluar diferentes alternativas tecnológicas y resolver un problema concreto


Competencias específicas

− Capacidad para utilizar la tecnología de aprendizaje automático más adecuada para un determinado problema.
− Capacidad para evaluar el rendimiento de los diferentes algoritmos de resolución de problemas mediante técnicas de validación cruzada.

Objetivos

Los objetivos que pretende la asignatura son:

1.      Entender que es el aprendizaje en la Inteligencia Artificial.
2.      Distinguir entre los diferentes tipos y métodos de aprendizaje.
3.      Conocer los conceptos generales de los agentes y su clasificación.
4.      Entender en qué tipo de problemas es apropiado utilizar un sistema multiagente.
5.      Aprender algunos mecanismos comunicación y cooperación entre agentes.
6.      Aplicar las técnicas estudiadas a un caso concreto.

Amunt

Módulo didáctico 1. Aprendizaje

1. Introducción
1.1. Algoritmos genéticos para el ajuste de sistemas difusos
1.2. Una clasificación de las técnicas de aprendizaje
1.3. El sesgo y la varianza

2.- Extracción de características
2.1.    Conjuntos de entrenamiento y espacios de características.
2.2.    Taxonomía de los algoritmos de extracción de características
2.3.    Selección de características
2.4. Extracción de características
2.4.1.  Análisis de componentes principales
2.4.2.  Análisis discriminante lineal (ADL)

3. Aprendizaje no supervisado
3.1. Algoritmos de categorización: introducción
3.2. Particiones y particiones difusas de objetos
3.3. Jerarquías de objetos

4. Aprendizaje supervisado
4.1. Métodos basados en métodos de categorización
4.2. Máquinas de vectores de soporte
4.3. Descripciones lógicas de conceptos
4.4. Árboles de decisión
4.5. Combinación de métodos
4.6. Redes neuronales

5. Representación del conocimiento y aprendizaje
5.1. Programación lógica inductiva

Módulo didáctico 2. Agentes y sistemas multiagente

1. Agentes inteligentes
1.1. Características de un agente
1.2. Agentes deliberativos frente a agentes reactivos
1.3. Tipos de agentes

2. Sistemas multiagente
2.1. Ventajas de los sistemas multiagente
2.2. Técnicas de comunicación
2.3. Foundation for Intelligent Physical Agents
2.4. Ontologías
2.5. Cooperación entre agentes

Amunt

Aprendizaje computacional PDF

Amunt

Aunque no se requiere usar ningún Software específico, se proporcionaran en aula guías o demos de aplicaciones concretas relacionadas con las actividades de evaluación continua (Software WEKA o de diseño de agentes móviles).

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

Esta asignatura solo puede superarse a partir de la evaluación continua (EC), nota que se combina con una nota de prácticas (Pr) para obtener la nota final de la asignatura. No se prevé hacer ninguna prueba de evaluación final. La fórmula de acreditación de la asignatura es la siguiente: EC + Pr.

 
 

Amunt