Aprendizaje Automtico

Grado en Ingeniera Informtica (Plan 2011)

Departamento de Informtica

ObligatoriaCrditos ECTS : 6.0

Cuatrimestre : 2Curso : 3

Profesor Coordinador : FERNANDEZ REBOLLO, FERNANDO

Curso Acadmico: ( 2012 / 2013 )

MATERIAS QUE SE RECOMIENDA HABER SUPERADOProgramacinEstadsticaTeora de Autmatas y Lenguajes FormalesInteligencia 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 aprendizajeautomtico (PO a,b,c,e)- Realizar el anlisis y el diseo detallado de aplicaciones informticas basadas en el aprendizaje automtico (POa,b,c,e,k)Resultados del aprendizaje:

1. Resolucin de problemas, tanto individualmente como en equipo.2. Anlisis y diseo de sistemas de aprendizaje automtico3. 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, clasificacinbayesiana, 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 TUTORASClases magistrales (1 crdito ECTS)- Orientadas, entre otras, a las competencias relacionadas con el conocimiento de los conceptos, relaciones entrelos 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, laorganizacin del trabajo, o la comunicacin oral (presentacin de los resultados en pblico) y escrita (redaccin dememorias 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, elrazonamiento 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 descritasanteriormente- Se realizar una evaluacin formativa a travs de la realimentacin continua que permita al alumno evaluar quconoce 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 lasactividades de equipo (PO b,c,d,e,g,k). Dentro de las actividades individuales se tendr en cuenta la evaluacin delas actividades realizadas durante el curso (un 70% de la nota individual) y un examen final (un 30% de la notaindividual), si bien se darn opciones para poder superar el curso con la calificacin del examen final.

Peso porcentual del Examen Final: 30Peso 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 prcticosutilizando 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