Guia docente

DATOS IDENTIFICATIVOS

2024_25

Asignatura

APRENDIZAJE AUTOMÁTICO

Código

00717014

Enseñanza

0717 - GRADO INGENIERÍA DATOS INTELIGENCIA ARTIFICIAL

Descriptores

Cr.totales

Tipo

Curso

Semestre

Obligatoria

Segundo

Primero

Idioma

Castellano

Prerrequisitos

Departamento

ING.ELECTR.DE SIST. Y AUTOMATI

Responsable

ALAIZ RODRÍGUEZ , ROCÍO

Correo-e

ralar@unileon.es
mgaro@unileon.es
fjaÑm@unileon.es

Profesores/as

ALAIZ RODRÍGUEZ , ROCÍO

GARCIA ORDAS , MARIA TERESA

JAÑEZ MARTINO , FRANCISCO

Web

http:// http://agora.unileon.es

Descripción general

En esta asignatura se presentan los principales conceptos relacionados con las técnicas de aprendizaje automático.

Tribunales de Revisión

Tribunal titular
Cargo	Departamento	Profesor
Presidente	ING.ELECTR.DE SIST. Y AUTOMATI	BENAVIDES CUELLAR , MARIA DEL CARMEN
Secretario	ING.ELECTR.DE SIST. Y AUTOMATI	BENITEZ ANDRADES , JOSE ALBERTO
Vocal	ING.ELECTR.DE SIST. Y AUTOMATI	BLAZQUEZ QUINTANA , LUIS FELIPE

Tribunal suplente
Cargo	Departamento	Profesor
Presidente	ING.ELECTR.DE SIST. Y AUTOMATI	GARCIA RODRIGUEZ , ISAIAS
Secretario	ING.ELECTR.DE SIST. Y AUTOMATI	ALAIZ MORETON , HECTOR
Vocal	ING.ELECTR.DE SIST. Y AUTOMATI	ALONSO CASTRO , SERAFIN

Competencias

Código
A18964	717CE10 Capacidad para comprender, seleccionar y aplicar las técnicas y herramientas de aprendizaje automático más adecuadas que permitan transformar los datos en conocimiento, para la resolución de un problema.
A18966	717CE12 Capacidad para aplicar los principios fundamentales, métodos y técnicas básicas de la ciencia de datos y la inteligencia artificial para su aplicación práctica a un problema o dominio concreto.
A18973	717CE19 Capacidad para diseñar soluciones basadas en redes neuronales artificiales para la resolución de problemas en el ámbito de la ingeniería de datos.
A18983	717CE3 Conocimiento y aplicación de los procedimientos algorítmicos básicos de las tecnologías informáticas para diseñar soluciones a problemas, analizando la idoneidad y complejidad de los algoritmos propuestos.
B5801	0717CG2 Capacidad para abordar con éxito todas las etapas de un proyecto de análisis de datos: exploración previa de los datos, preprocesado, análisis, visualización y comunicación de resultados.
B5802	0717CG3 Capacidad para concebir, diseñar, analizar, implementar y utilizar aplicaciones para el análisis de datos y la extracción de conocimiento a partir de distintas fuentes de datos.
B5806	0717CT1 Capacidad para el análisis, síntesis, resolución de problemas y la toma de decisiones.
B5807	0717CT2 Capacidad para la interpretación de resultados con iniciativa, creatividad y razonamiento crítico y autocrítico.
C2	CMECES2 Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
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
Conoce y aplica los procedimientos algorítmicos básicos de las tecnologías informáticas para diseñar soluciones a problemas, analizando la idoneidad y complejidad de los algoritmos propuestos. Aplica los principios fundamentales, métodos y técnicas básicas de la ciencia de datos y la inteligencia artificial para su aplicación práctica a un problema o dominio concreto, interpretando adecuadamente los resultados. Comprende, selecciona y aplica las técnicas y herramientas de aprendizaje automático más adecuadas que permitan transformar los datos en conocimiento, para la resolución de un problema. Sabe diseñar soluciones basadas en redes neuronales artificiales para la resolución de problemas en el ámbito de la ingeniería de datos.	A18964 A18966 A18973 A18983	B5801 B5802 B5806 B5807	C2 C4

Contenidos

Bloque

Tema

Bloque I: Aprendizaje Automático

INTRODUCCIÓN
Introducción a la Inteligencia Artificial. Introducción al aprendizaje automático: fundamentos y tipos de aprendizaje automático. Dominios y ejemplos de aplicación.

METODOLOGÍA
Recolección de datos. Elección de características. Elección de modelo. Ajuste/Entrenamiento del Clasificador, Evaluación. Clasificador Naive Bayes.

TÉCNICAS DE CLASIFICACIÓN SUPERVISADA NO PARAMÉTRICA.
Fundamentos. Clasificadores por vecindad.

TÉCNICAS DE APRENDIZAJE SUPERVISADO PARAMÉTRICAS.
Regresión lineal y logística.

TRATAMIENTO DE DATOS
Detección de datos anómalos. Muestras perdidas. Normalización de datos. Selección y extracción de características.

EVALUACIÓN, VALIDACIÓN Y SELECCIÓN DE MODELOS
Técnicas de estimación. Métricas de rendimiento en clasificación. Otras métricas. Comparación de modelos.

REDES NEURONALES ARTIFICIALES.
Introducción. Arquitectura. El perceptron. La red Adaline. Perceptron multicapa (MLP).

APRENDIZAJE NO SUPERVISADO.
Introducción. Espacio, distancia y similitud. Técnicas de particionamiento y aglomerativas. Método de los centroides (K-means).

OTROS MODELOS DE APRENDIZAJE

Planificación

Metodologías :: Pruebas
	Horas en clase	Horas fuera de clase	Horas totales
Resolución de problemas/ejercicios en el aula ordinaria	5	9	14

Tutorías	2	0	2
Trabajos	3	16	19
Practicas a través de TIC en aulas informáticas	26	26	52

Sesión Magistral	21	27	48

Pruebas mixtas	2	10	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

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.
Tutorías	Tutorías individuales o en grupo para el seguimiento de los trabajos realizados.
Trabajos	Aplicación de las técnicas y metodologías relacionadas con la temática de la asignatura a un problema abierto de aprendizaje automático.
Practicas a través de TIC en aulas informáticas	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

Tutorías

descripción

Se planificarán tutorías para hacer el seguimiento del trabajo propuesto en la asignatura.
Otro tipo de tutorías para solucionar dudas concretas sobre los conceptos vistos en la asignatura se solicitarán por correo electrónico y se realizarán de forma presencial u online.

Evaluación

	descripción	calificación
Practicas a través de TIC en aulas informáticas	Se evaluará la asistencia y desarrollo de las sesiones prácticas.	30%
Trabajos	Trabajo en grupo, tutorizado con entrega de informe y presentado de forma oral.	15%
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%

Otros comentarios y segunda convocatoria
<p>En la segunda convocatoria se realizará un examen escrito (55% sobre la nota global), se evaluará el  desarrollo de las sesiones prácticas (30% sobre la nota global) y el trabajo (15%). </p>

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. MachineLearning.T. M. Mitchell,. New York: McGraw Hill. 1997. Combining Pattern Classifiers: Methods and Algorithms, L. Kuncheva, Wiley, Second Edition, 2014.

Recomendaciones