Aprendizaje automático II
GUÍA DOCENTE Curso 2022-23
Titulación: | Máster universitario en Ciencia de Datos y Aprendizaje Automático | 855M |
Asignatura: | Aprendizaje automático II | 5220 |
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: | Domínguez Pérez, César | Responsable de la asignatura |
Teléfono: | 941299439 | Correo electrónico: | cesar.dominguez@unirioja.es |
Despacho: | 3234 | Edificio: | CENTRO CIENTÍFICO TECNOLÓGICO | Tutorías: | Consultar |
Profesor: | Mata Martínez, Gadea |
Teléfono: | 941299450 | Correo electrónico: | gadea.mata@unirioja.es |
Despacho: | D3210
| Edificio: | CENTRO CIENTÍFICO TECNOLÓGICO | Tutorías: | Consultar |
Descripción de los contenidos
Métodos de predicción y aprendizaje automatizado. Aprendizaje supervisado
Requisitos previos de conocimientos y competencias para poder cursar con éxito la asignatura
Ninguno especificado.
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
Tema 1. Introducción al aprendizaje supervisado.
Tema 2. Algoritmos clásicos de aprendizaje supervisado.
Tema 3. Redes neuronales.
Tema 4. Ajuste de hiperparámetros.
Tema 5. Métodos de ensemble.
Tema 6. Otras técnicas en aprendizaje supervisado.
Bibliografía
Tipo: | Título |
Básica | Apuntes de la asignatura |
Básica | Guiones de prácticas |
Complementaria | Hands-on machine learning with Scikit-learn, Keras and TensorFlow :concepts, tools and techniques to build intelligent systems / Géron Aurélien. |
Complementaria | Introduction to Machine Learning with Python / A.C. Müller and S. Guido. O'Reilly, 2016 |
Recursos en Internet |
El material didáctico (ejercicios prácticos, cuestiones, actividades ...etc) se encontrará disponible en el aula virtual para todos los alumnos matriculados en esta asignatura.
|
Scikit-learn, librería de aprendizaje automático para Python. |
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. |
Informes y memorias de prácticas | | 30% |
Trabajos y proyectos | 70% | |
Total | 100% |
Comentarios
La evaluación continua (30%) se realizará mediante los sistemas de evaluación "Informes y memorias de prácticas".
15/03/2023 10:34:46 - G 2022-23 - 855M - 5220