• Descripción

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.

En Inteligencia Artificial (Grado en Ingeniería Informática) se dio una visión general de la Inteligencia Artificial y se presentaron algunos de los métodos y técnicas denominados clásicos, como son la resolución de problemas y búsqueda y los sistemas basados en el conocimiento, también se vieron técnicas más avanzadas como son las redes neurales y el razonamiento aproximado. En la asignatura de Aprendizaje computacional se introdujeron los problemas del aprendizaje (supervisado y no supervisado) y sistemas multi agente. En esta asignatura se profundizará en problemas avanzados de aprendizaje, introduciendo los sistemas de extracción de características, los sistemas no lineales basados en Kernels, los procesos de optimización o las técnicas de aprendizaje profundo, siempre desde una vertiente práctica tocando ejemplos de problemas reales.

• Información previa a la matrícula

• Objetivos y competencias

Las competencias generales del Máster que se ponen de manifiesto en esta asignatura son:

• Capacidad para proyectar, calcular y diseñar productos, procesos e instalaciones en todos los ámbitos de la ingeniería en informática.
• Capacidad para el modelado matemático, cálculo y simulación en centros tecnológicos y de ingeniería de empresa, particularmente en tareas de investigación, desarrollo e innovación en todos los ámbitos relacionados con la ingeniería en informática
• Capacidad para la aplicación de los conocimientos adquiridos y de solucionar problemas en entornos nuevos o poco conocidos dentro de contextos más amplios y multidisciplinares, siendo capaces de integrar estos conocimientos.
• Poseer habilidades para el aprendizaje continuado, autodirigido y autónomo.
• Capacidad para modelar, diseñar, definir la arquitectura, implantar, gestionar, operar, administrar y mantener aplicaciones, redes, sistemas, servicios y contenidos informáticos.
• Capacidad por asegurar, gestionar, auditar y certificar la calidad de los desarrollos, procesos, sistemas, servicios, aplicaciones y productos informáticos.
• Capacidad para comprender y poder aplicar conocimientos adelantados de computación de altas prestaciones y métodos numéricos o computacionales a problemas de ingeniería.

Las competencias específicas de esta asignatura son:

• Entender que es el aprendizaje automático en el contexto de la Inteligencia Artificial.
• Distinguir entre los diferentes tipos y métodos de aprendizaje.
• Conocer los diferentes métodos de extracción de características sobre un conjunto de datos dado.
• Conocer los diferentes paradigmas de clasificación y sus puntos fuertes y débiles.
• Saber evaluar los algoritmos de clasificación y extraer conclusiones de su eficiencia, permitiendo seleccionar los más adecuados en cada caso.
• Aplicar las técnicas de búsqueda a un caso concreto

• Contenidos

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, los algoritmos de clasificación, los procesos de optimización y las técnicas de aprendizaje profundo. 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


2. Recomanadores y agrupamientos

2.1. Métricas y medidas de similitud

2.1.1. Ejemplo de aplicación

2.1.2. Distancia euclídea

2.1.3. Correlación de Pearson

2.2. Sistemas recomanadores

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. Recomanadores 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. Factorització 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 mutidimensionales

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. Problemes de aprendizaje

6.2.5. Algunas soluciones

6.2.6. Aprendizaje profundo

6.3. Perceptrón multicapa

6.3.1. Idea

6.3.2. 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 Keras

6.5. Redes recurrentes

6.5.1. Idea

6.5.2. Programación

6.6. Otras arquitecturas

6.6.1. Autocodificadores

6.6.2. Aprendizaje por refuerzo

6.6.3. Sistemas generadores

7. Anexo: conceptos básicos de estadística

• 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

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.

• Consulta del modelo de evaluación