![]() |
Guia docente | |||||||||||||||||||||||||||||||||||||||
DATOS IDENTIFICATIVOS | 2024_25 | |||||||||||||||||||||||||||||||||||||||
Asignatura | INTRODUCCION A LOS SISTEMAS INTELIGENTES | Código | 00709016 | |||||||||||||||||||||||||||||||||||||
Enseñanza |
|
|||||||||||||||||||||||||||||||||||||||
Descriptores | Cr.totales | Tipo | Curso | Semestre | ||||||||||||||||||||||||||||||||||||
6 | Obligatoria | Segundo | Segundo |
|||||||||||||||||||||||||||||||||||||
Idioma |
|
|||||||||||||||||||||||||||||||||||||||
Prerrequisitos | ||||||||||||||||||||||||||||||||||||||||
Departamento | ING.ELECTR.DE SIST. Y AUTOMATI |
|||||||||||||||||||||||||||||||||||||||
Responsable |
|
Correo-e | vgonc@unileon.es ralar@unileon.es ealeg@unileon.es fjaÑm@unileon.es |
|||||||||||||||||||||||||||||||||||||
Profesores/as |
|
|||||||||||||||||||||||||||||||||||||||
Web | http:// | |||||||||||||||||||||||||||||||||||||||
Descripción general | En este curso se presentan los aspectos básicos de los sistemas inteligentes desde la perspectiva del aprendizaje automático | |||||||||||||||||||||||||||||||||||||||
Tribunales de Revisión |
|
|||||||||||||||||||||||||||||||||||||||
Competencias |
Código | |
A18108 | 709CE21 Conocimiento y aplicación de los principios fundamentales y técnicas básicas de los sistemas inteligentes y su aplicación práctica. |
B5618 | 709CG8 Conocimiento de las materias básicas y tecnologías, que capaciten para el aprendizaje y desarrollo de nuevos métodos y tecnologías, así como las que les doten de una gran versatilidad para adaptarse a nuevas situaciones. |
B5619 | 709CG9 Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión de Ingeniero Técnico en Informática. |
B5626 | 709CT4 Capacidad para el aprendizaje autónomo e individual en cualquier campo de la ingeniería. |
B5627 | 709CT5 Capacidad de trabajo en equipo, asumiendo diferentes roles dentro del grupo. |
C4 | CMECES4 Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado |
Resultados de aprendizaje |
Resultados | Competencias | ||
Conocer y saber aplicar los principios fundamentales y técnicas básicas de los sistemas inteligentes. Saber organizar y planificar. Saber aprender de forma autónoma. Saber analizar y sintetizar. Saber trabajar en equipo. Saber comunicarse de forma efectiva (oral y escrito). | A18108 |
B5618 B5619 B5626 B5627 |
C4 |
Contenidos |
Bloque | Tema |
Bloque I: INTRODUCCIÓN A LOS SISTEMAS INTELIGENTES. | FUNDAMENTOS Motivación, Principios básicos, Aproximaciones, Aprendizaje, Aplicaciones. CICLO DE DISEÑO DE UN CLASIFICADOR Recolección de datos, Elección de características, Elección de modelo, Ajuste/Entrenamiento del Clasificador, Evaluación (métricas y técnicas).Clasificador Naive Bayes. APRENDIZAJE SUPERVISADO. Aprendizaje supervisado no paramétrico: Fundamentos, Clasificadores por vecindad. Aprendizaje supervisado paramétrico: Fundamentos, Regresión lineal y logística. EVALUACIÓN Y SELECCIÓN DE MODELOS Técnicas de estimación: Validación cruzada, hold-out, bootstrap, Comparación de modelos, Métricas de rendimiento en clasificación,Otras métricas de modelos predictivos: error cuadrático, estándar. REDES NEURONALES ARTIFICIALES. Introducción, Topología y funciones de activación, El perceptron simple, La red Adaline, Perceptron multicapa (MLP). PREPROCESADO. Detección de datos anómalos. Muestras perdidas. Integración y normalización de datos. Transformación de datos. Selección y extracción de características. APRENDIZAJE NO SUPERVISADO. Introducción, Espacio, distancia y similitud, Técnicas de particionamiento y aglomerativas, Método de los centroides (K-means). OTROS MODELOS DE CLASIFICACIÓN. Máquinas de Vectores soporte (SVM). Árboles de decisión. Trabajo- Aplicaciones prácticas Aplicación de los Sistemas Inteligentes en Bioinformática, Sistemas de recuperación de información, Detección de correo electrónico no deseado, Detección de noticias falsas, Detección de contenido inapropiado, Análisis de música, Análisis de sentimientos y datos de opinión, Reconocimiento biométrico, Entornos de fabricación, Entornos industriales y medioambientales, Quimiometría, Laboratorios inteligentes, Modelos de predicción de cancer, Ciberseguridad. |
Planificación |
Metodologías :: Pruebas | |||||||||
Horas en clase | Horas fuera de clase | Horas totales | |||||||
Resolución de problemas/ejercicios en el aula ordinaria | 6 | 9 | 15 | ||||||
Prácticas en laboratorios | 26 | 39 | 65 | ||||||
Sesión Magistral | 22 | 33 | 55 | ||||||
Pruebas mixtas | 5 | 7 | 12 | ||||||
Realización y exposición de trabajos. | 1 | 2 | 3 | ||||||
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
descripción | |
Resolución de problemas/ejercicios en el aula ordinaria | Formulación, análisis, resolución y debate de un problema o ejercicio, relacionado con la temática de la asignatura. |
Prácticas en laboratorios | Aplicar, a nivel práctico, la teoría de un ámbito de conocimiento en un contexto determinado. Ejercicios prácticos a través de los diferentes laboratorios. |
Sesión Magistral | Exposición de los contenidos de la asignatura. |
Tutorías |
|
|
Evaluación |
descripción | calificación | ||
Sesión Magistral | Se realizará un examen parcial (25% sobre la nota global) y un examen final (30% sobre la nota global). Pruebas escritas : de respuesta corta, tests, elección múltiple, resolución de problemas, desarrollo. |
55% | |
Prácticas en laboratorios | Se evaluará la asistencia, desarrollo en grupo y memoria de las sesiones prácticas (15% sobre la nota global). Coincidiendo con los exámenes de teoría se realizará un prueba escrita relativa a los contenidos prácticos (10% sobre la nota global en el examen parcial y 10% sobre la nota global en el examen final) |
35% | |
Realización y exposición de trabajos. | Trabajo en grupo, tutorizado y presentado de forma oral. | 10% | |
Otros comentarios y segunda convocatoria | |||
En la segunda convocatoria se realizará un examen (85% sobre la nota global) y se evaluará la asistencia y desarrollo de las sesiones prácticas (15% sobre la nota global). |
Fuentes de información |
Acceso a la Lista de lecturas de la asignatura |
Básica | |
Pattern Classification, 2nd Edition. Richard O. Duda, Peter E. Hart, David G. Stork. New York: John Wiley & Sons, 2001. Grokking Machine Learning, Luis Serrano, Manning Ed, 2022. Aprendizaje Automático: Conceptos Básicos y Avanzados. Basilio Sierra Araujo (coordinador). Prentice Hall. 2007. Aprende Machine Learning en Español: Teoría + práctica. Juan Ignacio Bagnato. ISBN:978-84-09-25816-1. 2020. |
|
Complementaria | |
Introduction to Machine Learning with Python. A guide for data scientists. Andreas C. Müller and Sarah Guido. O’Reilly, 2016. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. Géron, A. O'Reilly Media, Inc., 2022 Introduction to Machine Learning. 2nd Edition. Ethem Alpaydin. The MIT Press, 2010. Machine Learning.T. M. Mitchell,. New York: McGraw Hill. 1997. Combining Pattern Classifiers: Methods and Algorithms, L. Kuncheva, Wiley, Second Edition, 2014. |
Recomendaciones |