PRESENTACIÓN

El aprendizaje automático es clave para el desarrollo de sistemas inteligentes y el análisis de datos en ciencia e ingeniería. Tiene un papel decisivo en tecnologías de uso cada vez más común como los reconocedores de voz de los teléfonos móviles o los vehículos autónomos, por ejemplo, así como también sirve para permitir el acceso a la información contenida en nuestro ADN o para dotar de sentido a la avalancha de datos que pueden recogerse en la web.

Así, dado que el aprendizaje automático es una de las bases de la ciencia de datos, en este curso se ofrece una introducción a los métodos más comunes que son de uso frecuente en este ámbito. En esta asignatura se tratarán los fundamentos teóricos, así como algoritmos esenciales en el aprendizaje supervisado y una introducción al aprendizaje no supervisado. Proporcionará las competencias para resolver problemas de aplicación de estas tecnologías y la base necesaria para abordar el estudio de otras materias del Máster relacionadas que se cursan el el segundo semestre.

En el aprendizaje supervisado se utilizan pares de datos de entrada y de salida con los que se entrenan los distintos algoritmos. Tras el entrenamiento el sistema debe ser capaz de asociar un dato de entrada, no visto previamente, con su dato de salida.

CONTEXTUALIZACIÓN

La asignatura tiene 6 créditos ECTS, de carácter obligatorio, impartida en el primer semestre del Máster Universitario en Ingeniería y Ciencia de Datos. Guarda relación con las siguientes asignaturas también disponibles en el mismo Máster:

• Modelado estadístico de datos
• Programación en entornos de datos
• Aprendizaje automático II
• Deep Learning

Se recomienda que los interesados en cursar el Máster tengan un nivel de lectura en inglés suficiente como para entender contenidos técnicos en dicha lengua.

Gran parte de la bibliografía, así como los recursos proporcionados al estudiante en el curso virtual pueden estar únicamente en inglés, debido a la novedad de algunos de los contenidos propuestos para la asignatura.

Se fomentará el uso de software libre siempre y cuando sea posible para la realización de las actividades y las practicas propuestas. El lenguaje de programación que se usará será Python y varias herramientas que usan este lenguaje como scikit-learn y Keras. Se proporcionará material complementario con introducción a la programación en Python.

La tutorización de los estudiantes tendrá lugar esencialmente a través de los foros del curso virtual en Alf, la plataforma virtual de la UNED, aunque también podrán utilizarse ocasionalmente otros medios, tales como chats interactivos, servicios de mensajería instantánea y el correo electrónico. Adicionalmente, está también previsto, para temas personales que no afecten al resto de los estudiantes, atender consultas en persona o por teléfono.

El seguimiento del aprendizaje se realizará revisando la participación de los alumnos en los distintos foros de debate y las aportaciones de material nuevo además de la entrega en fecha de los diferentes trabajos prácticos que se han planificado durante la evolución del curso.

En caso de necesitar contactar con el Equipo Docente por medios distintos al curso virtual, se utilizará preferentemente el correo electrónico, pudiéndose también realizar consultas telefónicas, videoconferencias y entrevista personal en los horarios establecidos y que se muestran a continuación en la siguiente tabla.

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 - Identificar los métodos apropiados para la solución de problemas asociados a la ciencia de datos y la analítica de información

CG2 - Ser capaz de aplicar diferentes técnicas de aprendizaje máquina, seleccionando el algoritmo óptimo que genere modelos precisos y permita el desarrollo de soluciones predictivas en diferentes ámbitos de uso

CG5 - Utilizar las habilidades de científico de datos y/o ingeniero de datos en entornos de trabajo multidisciplinares y ser capaz de distinguir/organizar las diferentes actividades de los roles en dicho entorno

COMPETENCIAS TRANSVERSALES

CT1 - Ser capaz de abordar y desarrollar proyectos innovadores en entornos científicos, tecnológicos y multidisciplinares.

CT2 - Ser capaz de tomar decisiones y formular juicios basados en criterios objetivos (datos experimentales, científicos o de simulación disponibles).

COMPETENCIAS ESPECÍFICAS

CE2 - Desarrollar aplicaciones/servicios/scripts orientados a la analítica de datos y analizar el uso de diferentes librerías para el desarrollo e implementación de métodos numéricos, algoritmos y modelos asociados a los datos

CE5 - Desarrollar modelos de aprendizaje máquina (Machine Learning) basados en las diferentes categorías de clasificación: supervisada, no supervisada y semi-supervisada

CE6 - Diseñar mecanismos de evaluación de modelos de aprendizaje y comprender las métricas usadas para dicha evaluación

Los resultados más relevantes que se pretenden alcanzar con el estudio de esta asignatura son los siguientes:

• Identificar y aplicar los métodos de suavizado kernel unidimensionales y la regresión local.

• Identificar y aplicar las funciones de base radial y los modelos de mezclas para la resolución de problemas de regresión.

• Identificar, construir y ajustar árboles generalizados aditivos para regresión y clasificación.

• Identificar y aplicar la familia de métodos basados en prototipos y sus ventajas e inconvenientes.

• Distinguir los fundamentos teóricos de las redes neuronales artificiales y los conceptos de sobreajuste, inicialización y topología.

• Identificar y aplicar modelos basados en redes neuronales artificiales a problemas reales.

• Distinguir la fundamentación teórica del clasificador de vectores soporte y la clasificación de margen máximo.

• Identificar, construir y ajustar máquinas de vectores soporte para clasificación y regresión.

• Identificar y aplicar las distintas familias de métodos de selección de variables, así como los métodos de reducción de dimensionalidad.

Esta asignatura ha sido diseñada para la enseñanza a distancia. Por tanto, el sistema de enseñanza-aprendizaje estará basado en gran parte en el estudio independiente o autónomo del estudiante. Para ello, el estudiante contará con diversos materiales que permitirán su trabajo autónomo y la Guía de Estudio de la asignatura, que incluye orientaciones para la realización de las actividades prácticas. Asimismo, mediante la plataforma virtual de la UNED existirá un contacto continuo entre el equipo docente y los/as estudiantes, así como una interrelación entre los propios estudiantes a través de los foros, importantísimo en la enseñanza no presencial. 

El estudio de esta asignatura se realizará a través de los materiales y enlaces que el Equipo Docente publicará en el curso virtual.

Las actividades formativas para el estudio de la asignatura son las siguientes: 

• Estudios de contenidos (80 horas)
• Actividades en la plataforma virtual (10 horas)
• Prácticas informáticas  (60 horas)
• Total: 150 horas

Los medios necesarios para el aprendizaje son: 

1. Materiales teórico-prácticos preparados por el Equipo Docente para cubrir los conceptos básicos del temario. 
2. Bibliografía complementaria. El estudiante puede encontrar en ella información adicional para completar su formación. 
3. Curso Virtual de la asignatura, donde el estudiante encontrará: 

• Una guía de la asignatura en la que se hace una descripción detallada del plan de trabajo propuesto. 

• Un calendario con la distribución temporal de los temas propuesta por el Equipo Docente y con las fechas de entrega de las actividades teórico-prácticas que el estudiante tiene que realizar para su evaluación.            

• Enunciado de las actividades teórico-prácticas propuestas y zona donde depositar los entregables asociados a dichas actividades. 

• Los foros por medio de los cuales el Equipo Docente aclarará las dudas de carácter general y que se usarán también para comunicar todas aquellas novedades que surjan a lo largo del curso. Éste será el principal medio de comunicación entre los distintos participantes en la asignatura. 

Los libros includos en la bibliografía básica se pueden descargar gratuitamente o son accesibles desde la colección de acceso restringido de la Biblioteca de la UNED O’Reilly for Higher Education (New Safari).

Los libros includos en la bibliografía complementaria son accesibles desde la colección de acceso restringido de la Biblioteca de la UNED O’Reilly for Higher Education (New Safari).

Los/as estudiantes dispondrán de los siguientes recursos de apoyo al estudio: 

• Guía de la asignatura. Incluye el plan de trabajo y orientaciones para su desarrollo. Esta guía será accesible desde el curso virtual. 

• Curso virtual. A través de esta plataforma los/as estudiantes tienen la posibilidad de consultar información de la asignatura, realizar consultas al Equipo Docente a través de los foros correspondientes, consultar e intercambiar información con el resto de los compañeros/as. 

• Biblioteca. El estudiante tendrá acceso tanto a las bibliotecas de los Centros Asociados como a la biblioteca de la Sede Central, en ellas podrá encontrar un entorno adecuado para el estudio, así como de distinta bibliografía que podrá serle de utilidad durante el proceso de aprendizaje. Además, desde la biblioteca digital de la UNED, el estudiante tendrá acceso a O’Reilly for Higher Education (New Safari), una biblioteca digital con más de 30.000 libros técnicos en constante actualización.