asignatura master 2023
MÉTODOS DE APRENDIZAJE AUTOMÁTICO
Curso 2022/2023 Código Asignatura: 31108037
-
Guía de la Asignatura Curso 2022/2023
- Primeros Pasos
- Presentación y contextualización
- Requisitos y/o recomendaciones para cursar esta asignatura
- Equipo docente
- Horario de atención al estudiante
- Competencias que adquiere el estudiante
- Resultados de aprendizaje
- Contenidos
- Metodología
- Sistema de evaluación
- Bibliografía básica
- Bibliografía complementaria
- Recursos de apoyo y webgrafía
MÉTODOS DE APRENDIZAJE AUTOMÁTICO
Código Asignatura: 31108037
PRESENTACIÓN Y CONTEXTUALIZACIÓN
La guía de la asignatura ha sido actualizada con los cambios que aquí se mencionan.
NOMBRE DE LA ASIGNATURA | MÉTODOS DE APRENDIZAJE AUTOMÁTICO |
CÓDIGO | 31108037 |
CURSO ACADÉMICO | 2022/2023 |
TÍTULOS DE MASTER EN QUE SE IMPARTE |
MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL
|
TIPO | CONTENIDOS |
Nº ECTS | 6 |
HORAS | 150 |
PERIODO | ANUAL |
IDIOMAS EN QUE SE IMPARTE | CASTELLANO |
El objetivo fundamental de esta asignatura consiste en introducir a los alumnos en las técnicas más significativas del Aprendizaje Automático, todo ello junto con un marco que permitirá englobar cada nueva técnica de aprendizaje en su contexto adecuado.
A nivel del máster de inteligencia artificial, esta asignatura realiza un viaje introductorio y práctico (dependiendo del caso) por los tres paradigmas del aprendizaje automático: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo; de forma que puedan profundizar en el paradigma que más les interese en asignaturas más especializadas.
Los conocimientos adquiridos en esta asignatura pueden ser interesantes en lo profesional para análisis de datos, detección de riesgos, recomendaciones automatizadas, automatización de procesos inteligentes, industria 4.0 y un largo etc.
Es de destacar que en esta asignatura, la interacción con los alumnos es constante en la plataforma virtual y que se envían noticias sobre dicha interacción al correo de la UNED del alumno, por lo que conviene acceder a la plataforma y a dicho correo de forma regular (al menos una vez por semana).
El aprendizaje natural es un término que denota la forma natural en que un agente aumenta su conocimiento para mejorar sus capacidades de actuación en su entorno. Por otra parte, el Aprendizaje Automático es una ciencia de lo artificial. Los principales objetos de su estudio son artefactos, específicamente algoritmos que mejoran su eficiencia a partir de la experiencia obtenida de su entorno.
Por este hecho, se puede entender la importancia de esta asignatura y este "método" para una comprensión en profundidad de las materias relacionadas con la IA en general. Más en concreto, esta asignatura está presente de alguna u otra forma en todas aquellas relacionadas con la adaptación automática de sistemas (p.ej. Interfaces Adaptativos), la inducción automática de conceptos/extracción de conocimiento (p.ej. Minería de Datos) o algoritmos que tratan de imitar la adaptación evolutiva de las especies (p.ej. Computación Evolutiva).
Nombre y apellidos | FELIX HERNANDEZ DEL OLMO (Coordinador de Asignatura) |
Correo electrónico | felixh@dia.uned.es |
Teléfono | 91398-8345 |
Facultad | ESCUELA TÉCN.SUP INGENIERÍA INFORMÁTICA |
Departamento | INTELIGENCIA ARTIFICIAL |
Nombre y apellidos | ELENA GAUDIOSO VAZQUEZ |
Correo electrónico | elena@dia.uned.es |
Teléfono | 91398-8450 |
Facultad | ESCUELA TÉCN.SUP INGENIERÍA INFORMÁTICA |
Departamento | INTELIGENCIA ARTIFICIAL |
El alumno podrá ponerse en contacto directo con el equipo docente con el siguiente horario en los despachos, teléfonos y correos electrónicos siguientes:
Félix Hernández del Olmo; felixh@dia.uned.es
Horario de guardias: miércoles y jueves de 10 a 12 h.
Horario de atención al estudiante: lunes y martes de 09:00 a 13:00 h.
Tfno. 91 398 83 45; Despacho 3.06; E.T.S.I. Informática. UNED
Elena Gaudioso Vázquez; elena@dia.uned.es
Horario de guardias: lunes y martes, de 10 a 12 h.
Horario de atención al estudiante: Miércoles y jueves de 10:00 a 14:00h.
Tfno: 91 398 84 50; Despacho 3.10; E.T.S.I. Informática. UNED
Las consultas sobre los contenidos o sobre el funcionamiento de la asignatura se plantearán preferentemente en el curso virtual, utilizando los foros públicos.
La E.T.S.I. Informática de la UNED está situada en la Ciudad Universitaria de Madrid. La dirección postal es: C/ Juan del Rosal, 16, 28040. Madrid
COMPETENCIAS BÁSICAS
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades. sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
COMPETENCIAS GENERALES
CG1 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
CG2 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
CG3 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
CG4 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
COMPETENCIAS ESPECÍFICAS
CE1 - Conocer los fundamentos de la Inteligencia Artificial y las fronteras actuales en investigación.
CE2 - Conocer un conjunto de métodos y técnicas tanto simbólicas como conexionistas y probabilistas, para resolver problemas propios de la Inteligencia Artificial.
CE3 - Conocer los procedimientos específicos de aplicación de estos métodos a un conjunto relevante de dominio (educación, medicina, ingeniería, sistemas de seguridd y vigilancia, etc.), que representan las áreas más activas de investigación en IA.
Esta asignatura tiene como objetivo general que el alumno adquiera una perspectiva razonablemente extensa y global sobre los procedimientos, técnicas y algortimos fundamentales que requieren los programas que aprenden de su entorno. En los últimos tiempos, esta amplia disciplina se ha venido subdividiendo en subcampos con suficiente entidad propia (minería de datos, algoritmos genéticos, etc.). Aunque la mayoría de ellas serán tratadas en la presente materia, dichas técnicas podrán ser analizadas con mayor detalle en otras asignaturas especializadas del Máster.
Tras completar el curso se comprenderán los mecanismos internos de los algoritmos de aprendizaje automático más significativos. Además, el enfoque dado a la materia proporcionará al alumno la capacidad de entender las características más importantes de cada algoritmo de aprendizaje además de entender cómo trabajar con éste de forma práctica.
Introducción al Aprendizaje Automático
- Introducción
- Aprendizaje supervisado
- Teoría bayesiana de la decisións
- Introducción a los Métodos paramétricos
- Métodos multivariados
- Introduccion a otros métodos clásicos de aprendizaje automático (aprendizaje basado en instancias, aprendizaje de reglas, aprendizaje de árboles, etc.)
Métodos de aprendizaje no supervisado
1. Reducción de dimensionalidad
2. Métodos aglomerativos
Métodos avanzados de aprendizaje supervisado
- Evaluación de clasificadores
- Bosques aleatorios
- Combinación de clasificadores
- Máquinas de vectores soporte
- Redes neuronales y aprendizaje profundo
Métodos de aprendizaje por refuerzo
1. Introduccion al aprendizaje por refuerzo.
Esta asignatura se impartirá conforme a la metodología no presencial que caracteriza a la UNED, en la cual prima el autoaprendizaje del alumno, pero asistido por el profesor y articulado a través de diversos sistemas de comunicación docente-discente.
La metodología de enseñanza en esta asignatura se va a centrar en las siguientes actividades formativas:
- Estudio de contenidos teóricos (60 horas): estudio individual de la bibliografía básica apoyada por apuntes y bibliografía complementaria.
- Tutorías con el equipo docente (10 horas): consultas al equipo docente relativas a la asignatura, bien presencialmente o bien mediante los medios técnicos dispuestos para ello (curso virtual, webconferencia, teléfono, etc.).
- Actividades en la plataforma virtual (10 horas): revisión y envío de mensajes al foro, revisión de material, noticias del equipo docente, etc.
- Trabajos individuales (20 horas): ejercicios individuales que los alumnos realicen para afianzar los contenidos teóricos (no hay que entregarlos al equipo docente).
- Prácticas informáticas, elaboración de informes y/o resolución de casos (50 horas): realización de una práctica obligatoria cuya nota tendrá un peso en la calificación final. Esta práctica se podrá realizar a distancia y no será necesario que el alumno se desplace al Centro Asociado para realizarla.
Esta asignatura se impartirá con apoyo en la plataforma virtual interactiva de la UNED donde el alumno encuentra tanto materiales didácticos básicos como materiales didácticos complementarios, informaciones, noticias y ejercicios.
Es de destacar que en esta asignatura, la interacción con los alumnos es constante en la plataforma virtual y que se envían noticias sobre dicha interacción al correo de la UNED del alumno, por lo que conviene acceder a la plataforma y a dicho correo de forma regular (al menos una vez por semana).
TIPO DE PRIMERA PRUEBA PRESENCIAL |
|
---|---|
Tipo de examen | |
Tipo de examen | No hay prueba presencial |
TIPO DE SEGUNDA PRUEBA PRESENCIAL |
|
---|---|
Tipo de examen | |
Tipo de examen | No hay prueba presencial |
CARACTERÍSTICAS DE LA PRUEBA PRESENCIAL Y/O LOS TRABAJOS | |
---|---|
CARACTERÍSTICAS DE LA PRUEBA PRESENCIAL Y/O LOS TRABAJOS |
|
Requiere Presencialidad | |
Requiere Presencialidad | No |
Descripción | |
Descripción | La asignatura se evaluará en función de las entregas que se vayan realizando durante el curso. Este trabajo se irá desarrollando a lo largo del curso con la propia realización de las tareas de aprendizaje previstas. |
Criterios de evaluación | |
Criterios de evaluación | Todos los trabajos se evaluarán teniendo en cuenta los siguientes criterios:
|
Ponderación de la prueba presencial y/o los trabajos en la nota final | |
Ponderación de la prueba presencial y/o los trabajos en la nota final | 65% |
Fecha aproximada de entrega | |
Fecha aproximada de entrega | enero, abril y junio del año en curso. También existe una entrega extraordinaria en septiembre de todos los bloques. |
Comentarios y observaciones | |
Comentarios y observaciones |
PRUEBAS DE EVALUACIÓN CONTINUA (PEC) | |
---|---|
PRUEBAS DE EVALUACIÓN CONTINUA (PEC) |
|
¿Hay PEC? | |
¿Hay PEC? | Si,PEC no presencial |
Descripción | |
Descripción | Como evaliuación continua, se realizarán prácticas online y se requiere que sean completadas. |
Criterios de evaluación | |
Criterios de evaluación | Las prácticas completas y realizadas correctamente recibirán el 100% de su nota |
Ponderación de la PEC en la nota final | |
Ponderación de la PEC en la nota final | 35% |
Fecha aproximada de entrega | |
Fecha aproximada de entrega | enero / abril y junio dependiendo de las PEC de cada bloque. Las PEC no tienen posibilidad de ser realizadas en septiembre, por lo que sólo podrán realizarse durante el curso. |
Comentarios y observaciones | |
Comentarios y observaciones | Es importante estar atento a las noticias y a los foros del curso, |
OTRAS ACTIVIDADES EVALUABLES |
|
---|---|
¿Hay otra/s actividad/es evaluable/s? | |
¿Hay otra/s actividad/es evaluable/s? | No |
Descripción | |
Descripción | |
Criterios de evaluación | |
Criterios de evaluación | |
Ponderación en la nota final | |
Ponderación en la nota final | |
Fecha aproximada de entrega | |
Fecha aproximada de entrega | |
Comentarios y observaciones | |
Comentarios y observaciones |
¿Cómo se obtiene la nota final? |
|
---|---|
Como se ha indicado anteriormente:
|
ISBN(13): 9780126858754
Título: PATTERN RECOGNITION Second Edition Autor/es: Konstantinos Koutroumbas;Sergios Theodoridis; Editorial: Elsevier Academic Press |
ISBN(13): 9780262035613
Título: DEEP LEARNING Autor/es: Ian Goodfellow;Aaron Courville;Yoshua Bengio; Editorial: THE MIT PRESS |
ISBN(13): 9780262193986
Título: REINFORCEMENT LEARNING : Autor/es: Barto, Andrew G.; Editorial: MIT PRESS |
ISBN(13): 9780387310732
Título: PATTERN RECOGNITION AND MACHINE LEARNING Autor/es: Christopher M. Bishop; Editorial: Springer |
ISBN(13): 9780387848570
Título: THE ELEMENTS OF STATISTICAL LEARNING Second Autor/es: Tibshirani, Robert J.;Hastie, Trevor;Friedman, Jerome; Editorial: Springer |
Los alumnos dispondrán de los siguientes recursos de apoyo al estudio:
-
Curso virtual. A través de esta plataforma los alumnos tienen la posibilidad de:
-
Consultar información de la asignatura: información de la práctica, ejercicios de autoevaluación, etc.
-
Realizar consultas al equipo docente a través de los foros correspondientes o del correo electrónico.
-
Consultar e intercambiar material con el resto de los alumnos .
-
-
Tutorías. En el Centro Asociado al que pertenezca el alumno, éste deberá consultar si existe la posibilidad de disponer de una tutoría presencial con un tutor que atienda presencialmente a los estudiantes (aclarando, orientando y resolviendo dudas)
-
Atención telefónica y presencial. Los alumnos pueden contactar y realizar consultas al equipo docente en los teléfonos y horarios que se indican en esta guía.
- Biblioteca. En el Centro Asociado al que pertenezca el alumno, éste podrá consultar la bibliografía básica y la complementaria