Aprendizaje automático I
GUÍA DOCENTE Curso 2022-23
Titulación: | Máster universitario en Ciencia de Datos y Aprendizaje Automático | 855M |
Asignatura: | Aprendizaje automático I | 5219 |
Materia: | Técnica de aprendizaje automático |
Módulo: | Aprendizaje automático |
Modalidad de enseñanza de la titulación: | Presencial | Carácter: | Obligatoria |
Curso: | 1 | Créditos ECTS: | 3,00 | Duración: | Semestral (Primer Semestre) |
Horas presenciales: | 30,00 | Horas estimadas de trabajo autónomo: | 45,00 |
Idiomas en que se imparte la asignatura: | Español |
Idiomas del material de lectura o audiovisual: | Inglés, Español |
Departamentos responsables de la docencia
MATEMÁTICAS Y COMPUTACIÓN | R111 |
Dirección: | C/ Madre de Dios, 53 | Código postal: | 26006 |
Localidad: | Logroño | Provincia: | La Rioja |
Teléfono: | 941299452 | Fax: | 941299460 | Correo electrónico: | dpto.dmc@unirioja.es |
Profesorado previsto
Profesor: | Divasón Mallagaray, Jose | Responsable de la asignatura |
Teléfono: | 941299210 | Correo electrónico: | jose.divason@unirioja.es |
Despacho: | 3236 | Edificio: | CENTRO CIENTÍFICO TECNOLÓGICO | Tutorías: | Consultar |
Profesor: | Romero Ibáñez, Ana |
Teléfono: | 941299444 | Correo electrónico: | ana.romero@unirioja.es |
Despacho: | 3249 | Edificio: | CENTRO CIENTÍFICO TECNOLÓGICO | Tutorías: | Consultar |
Descripción de los contenidos
Inteligencia artificial en ciencia de datos. Aprendizaje no supervisado
Requisitos previos de conocimientos y competencias para poder cursar con éxito la asignatura
Ninguno especificado.
Contexto
Se trata de la primera asignatura de la materia "Técnica de aprendizaje automático", en la que se introducen las ideas generales sobre la inteligencia artificial y el aprendizaje automático y se presentan los principales algoritmos de aprendizaje no supervisado. La asignatura se realiza con un enfoque principalmente práctico. Se utilizará la librería Scikit-learn de aprendizaje automático para Python y el programa Weka.
Competencias
Competencias generales
CG01 - Capacidad de análisis y síntesis a nivel avanzado en el ámbito de la ciencia de datos y aprendizaje automático
CG02 - Capacidad de iniciativa y autonomía para llevar a cabo proyectos relacionados con la ciencia de datos y aprendizaje automático
CG05 - Habilidad para formular por escrito a nivel avanzado temas del ámbito de la ciencia de datos y aprendizaje automático usando correctamente diferentes tipos de enfoques académicos relacionados con su campo de estudio
CG06 - Capacidad de iniciativa y autonomía para las distintas tareas propias de la actividad investigadora en el ámbito de la ciencia de datos y aprendizaje automático
Competencias específicas
CE04 - Capacidad para utilizar el aprendizaje automático para extraer conocimiento a partir de datos, así como para aplicar los métodos y herramientas necesarias de aprendizaje supervisado y no supervisado al modelado, diseño y desarrollo de aplicaciones, servicios, y sistemas basados en datos
Resultados del aprendizaje
- Diferencia los diferentes tipos de aprendizaje dentro del aprendizaje automatizado.
- Identifica el tipo de técnica de aprendizaje automatizado más adecuada dependiendo de los datos disponibles.
- Comprende las diferencias entre el desarrollo de software tradicional y el enfoque basado en datos.
- Sabe evaluar modelos de aprendizaje supervisado y no supervisado utilizando métricas y métodos adecuados.
- Conoce las ventajas y limitaciones de las técnicas de aprendizaje profundo con respecto a otras aproximaciones de aprendizaje automático.
- Combina modelos de datos mediante técnicas de ensamblado.
- Maneja librerías software para aplicar técnicas de aprendizaje supervisado y no supervisado.
Temario
1. Introducción a la inteligencia artificial y el aprendizaje automático.
2. Aprendizaje automático y Python.
3. Algoritmos de aprendizaje no supervisado.
4. Selección y evaluación de modelos.
5. Aplicaciones del aprendizaje no supervisado.
Bibliografía
Tipo: | Título |
Básica | G. Rebala, A. Ravi, S. Churiwala, An Introduction to Machine Learning. Springer, 2019. Absys |
Básica | S. Raschka, Python machine learning. Packt Publishing, 2015. Absys |
Básica | M. Kubat, An Introduction to Machine Learning. Springer, 2017. Absys |
Complementaria | M. Emre Celebi, K. Aydin, Unsupervised Learning Algorithms. SpringerLink, 2016. Absys |
Complementaria | G. Bonaccorso, Hands-On Unsupervised Learning with Python. Packt, 2019.
|
Complementaria | A. A. Patel, Hands-On Unsupervised Learning Using Python: How to Build Applied Machine Learning Solutions from Unlabeled Data. O'Reilly, 2019. |
Recursos en Internet |
El material didáctico (ejercicios prácticos, cuestiones, actividades ...etc) se encontrará disponible en el aula virtual para todos los estudiantes matriculados en esta asignatura. |
Scikit-learn, librería de aprendizaje automático para Python. |
Weka, herramienta de aprendizaje automático. |
Metodología
Modalidades organizativas
Clases teóricas
Seminarios y talleres
Clases prácticas
Tutorías
Estudio y trabajo en grupo
Estudio y trabajo autónomo individual
Métodos de enseñanza
Método expositivo - Lección magistral
Estudio de casos
Resolución de ejercicios y problemas
Aprendizaje basado en problemas
Aprendizaje orientado a proyectos
Aprendizaje cooperativo
Organización
Actividades presenciales | Tamaño de grupo | Horas |
Clases teóricas | Grande | 10,00 |
Seminarios y talleres | Grande | 8,00 |
Clases prácticas | Informática | 10,00 |
Tutorías | Grande | 2,00 |
Total de horas presenciales | 30,00 |
Trabajo autónomo del estudiante | Horas |
Estudio y trabajo en grupo | 10,00 |
Estudio y trabajo autónomo individual | 35,00 |
Total de horas de trabajo autónomo | 45,00 |
Evaluación
Sistemas de evaluación | Recuperable | No Recup. |
Pruebas de ejecución de tareas reales y/o simuladas | 30% | |
Informes y memorias de prácticas | 40% | |
Trabajos y proyectos | | 30% |
Total | 100% |
Criterios críticos para superar la asignatura
Para superar la asignatura será necesario obtener al menos un 5 sobre 10 en la calificación correspondiente a Informes y memorias de prácticas, y que la suma ponderada de las calificaciones de las tres partes de la evaluación sea mayor o igual que 5. En la nota de las prácticas, además de los informes que se deberán presentar, se tendrá en cuenta la asistencia y aprovechamiento a las sesiones de laboratorio.
15/03/2023 10:34:46 - G 2022-23 - 855M - 5219