Aprendizaje Automtico

Grado en Ingeniera Informtica (Plan 2011)

Departamento de Informtica
Obligatoria
Crditos ECTS : 6.0
Cuatrimestre : 2
Curso : 3
Profesor Coordinador : FERNANDEZ REBOLLO, FERNANDO
Curso Acadmico: ( 2012 / 2013 )
MATERIAS QUE SE RECOMIENDA HABER SUPERADO
Programacin
Estadstica
Teora de Autmatas y Lenguajes Formales
Inteligencia Artificial
COMPETENCIAS QUE ADQUIERE EL ESTUDIANTE Y RESULTADOS DEL APRENDIZAJE
- Capacidad para resolver problemas, tanto individualmente como en equipo (PO a,b,c,d,e,k)
- Trabajo en equipo para analizar y disear soluciones informticas (PO a,b,c,d)
- Capacidad de anlisis y de sntesis (PO a,b,c)
- Capacidad de organizacin y planificacin (PO b,c,d)
- Capacidad de gestin de la informacin (captacin y anlisis de la informacin) (PO a,b,k)
- Capacidad para tomar decisiones (PO a,b,c,d,e)
- Motivacin por la calidad y la mejora continua (PO b)
- Comunicacin oral y escrita (PO g)
- Razonamiento crtico (PO a,b,d)
- Conocimientos bsicos y fundamentales del aprendizaje automtico (PO a)
- Interpretar las especificaciones funcionales encaminadas al desarrollo de aplicaciones basadas en el aprendizaje
automtico (PO a,b,c,e)
- Realizar el anlisis y el diseo detallado de aplicaciones informticas basadas en el aprendizaje automtico (PO
a,b,c,e,k)
Resultados del aprendizaje:
1. Resolucin de problemas, tanto individualmente como en equipo.
2. Anlisis y diseo de sistemas de aprendizaje automtico
3. Exposicin de trabajos en la clase.
4. Trabajos de captacin y anlisis de informacin
DESCRIPCIN DE CONTENIDOS: PROGRAMA
- Introduccin al Aprendizaje automtico y al aprendizaje inductivo
- Tcnicas de clasificacin y prediccin: rboles y reglas de decisin, rboles y reglas de regresin, clasificacin
bayesiana, aprendizaje basado en instancias
- Tcnicas no supervisadas: agrupacin
- Tcnicas basadas en el refuerzo
- Tcnicas aplicadas a la resolucin de problemas
ACTIVIDADES FORMATIVAS, METODOLOGA A UTILIZAR Y RGIMEN DE TUTORAS
Clases magistrales (1 crdito ECTS)
- Orientadas, entre otras, a las competencias relacionadas con el conocimiento de los conceptos, relaciones entre
los mismos, tcnicas a utilizar, o formas de analizar y sintetizar conocimiento (PO a)
Prcticas en grupos (3 crditos ECTS)
Pgina 1 de 2
- Orientadas, entre otras, a las competencias relacionadas con el trabajo en equipo, la resolucin de problemas, la
organizacin del trabajo, o la comunicacin oral (presentacin de los resultados en pblico) y escrita (redaccin de
memorias de los trabajos realizados) (PO b,c,d,e,g,k)
Trabajos individuales (2 crditos ECTS)
- Orientadas, entre otras, a las competencias relacionadas con la planificacin, el anlisis y la sntesis, el
razonamiento crtico, o el aprendizaje de los conceptos. (PO a,c,e,g)
SISTEMA DE EVALUACIN
- Evaluacin combinada a partir de las diferentes actividades realizadas por el alumno individual o colectivamente,
teniendo en cuenta el esfuerzo realizado por cada alumno en cada uno de las actividades formativas descritas
anteriormente
- Se realizar una evaluacin formativa a travs de la realimentacin continua que permita al alumno evaluar qu
conoce y que se espera de l
- La nota final corresponder en un 50% a las actividades individuales del alumno (PO a,c,e,g) y un 50% a las
actividades de equipo (PO b,c,d,e,g,k). Dentro de las actividades individuales se tendr en cuenta la evaluacin de
las actividades realizadas durante el curso (un 70% de la nota individual) y un examen final (un 30% de la nota
individual), si bien se darn opciones para poder superar el curso con la calificacin del examen final.
Peso porcentual del Examen Final: 30
Peso porcentual del resto de la evaluacin: 70
BIBLIOGRAFA BSICA
- D. Borrajo, J. Gonzlez y P. Isasi Aprendizaje automtico, Sanz y Torres.
- E. Rich y K. Knight Artificial Intelligence, McGraw-Hill.
- T.M. Mitchell Machine Learning, McGraw Hill.
- S. Russel y P. Norving Artificial Intelligence: a modern approach, Prentice Hall, 2003
BIBLIOGRAFA COMPLEMENTARIA
- Basilio Sierra Araujo (Ed.) Aprendizaje automtico: conceptos bsicos y avanzados. Aspectos prcticos
utilizando el software WEKA, Pearson Education.
- J. W. Shavlik y T. G. Dietterich (eds.) Readings in Machine Learning, Morgan Kaufmann.
- P. W. Langley Elements of Machine Learning, Morgan Kaufmann.
- Saso Dzeroski y Nada Lavrac Relational Data Mining, Springer Verlag.
Pgina 2 de 2