Estudia
- Artes y humanidades
- Ciencias
- Ciencias de la salud
- Ciencias sociales y jurídicas
-
Ingeniería y arquitectura
- Doble Grado en Ingeniería Civil e Ingeniería de los Recursos Mineros y Energéticos
- Doble Grado en Ingeniería en Tecnologías y Servicios de Telecomunicación / Grado en Ciencia e Ingeniería de Datos
- Doble Grado en Ingeniería Informática del Software / Grado en Matemáticas
- Doble Grado en Ingeniería Informática en Tecnologías de la Información / Grado en Ciencia e Ingeniería de Datos
- Grado en Ciencia e Ingeniería de Datos
- Grado en Ingeniería Civil
- Grado en Ingeniería de los Recursos Mineros y Energéticos
- Grado en Ingeniería de Organización Industrial
- Grado en Ingeniería de Tecnologías Industriales
- Grado en Ingeniería de Tecnologías Mineras
- Grado en Ingeniería Eléctrica
- Bachelor´s Degree in Industrial Electronics and Automatics Engineering
- Grado en Ingeniería en Geomática
- Grado en Ingeniería en Tecnologías y Servicios de Telecomunicación
- Grado en Ingeniería Forestal y del Medio Natural
- Grado en Ingeniería Forestal y del Medio Natural (En extinción)
- Grado en Ingeniería Informática del Software
- Grado en Ingeniería Informática en Tecnologías de la Información
- Grado en Ingeniería Mecánica
- Grado en Ingeniería Química
- Grado en Ingeniería Química Industrial
- Grado en Marina
- Grado en Náutica y Transporte Marítimo
- Información, acceso y becas
Aprendizaje Automático II
- Docencia On Line (30 Hours)
- Clases Expositivas (16 Hours)
- Prácticas de Laboratorio (14 Hours)
La asignatura de Aprendizaje Automático II (AA2) se imparte durante el segundo semestre del segundo curso y forma parte de la materia Análisis y Visualización de Datos.
Es conveniente que los estudiantes hayan cursado Aprendizaje Automático I y que, aunque no hayan superado dicha asignatura, tengan los conocimientos básicos que en ella se imparten.
Competencias básicas
CB2 - 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.
CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un publico tanto especializado como no especializado.
Competencias generales
CG01 - Elegir y aplicar los métodos y técnicas más adecuados para analizar y resolver problemas definidos por datos que representen un reto por su volumen, velocidad, variedad o heterogeneidad, incluidos métodos informáticos, matemáticos, estadísticos y de procesado de la señal.
CG02 - Tener las habilidades experimentales y analíticas para trabajar con autonomía siendo capaz de plantear experimentos y de describir, analizar, evaluar e interpretar la información resultante para proponer soluciones alternativas y novedosas frente a problemas conocidos y/o emergentes.
CG03 - Crear modelos y tomar decisiones basadas en los datos disponibles combinando los conocimientos adquiridos y siendo capaz de aplicar otros nuevos para la resolución de problemas.
CG04 - Capacidad de integrarse en un equipo multidisciplinar en el marco de un proyecto de ciencia de datos.
CG07 - Identificar oportunidades para aplicaciones innovadoras orientadas a datos en entornos tecnológicos en continua evolución.
CG09 - Capacidad para expresar de los resultados del procesamiento de datos de manera clara y convincente tanto por escrito como oralmente.
Competencias específicas
CE07 - Utilizar las técnicas más adecuadas para el preprocesado y la visualización de datos, incluyendo técnicas de reducción de la dimensionalidad, con objeto de facilitar su análisis y comunicación.
CE09 - Construcción de sistemas de aprendizaje automático utilizando técnicas básicas y avanzadas, para construir sistemas inteligentes a partir de conjuntos de datos.
Resultados de aprendizaje
RAPII1 - Aplicar técnicas de aprendizaje supervisado complejas utilizando un algoritmo adecuado dependiendo del tipo de problema.
RAPII2 - Ser capaz de identificar problemas en los que la distribución de los datos cambia y adaptar los modelos para mejorar su precisión.
RAPII3 - Comprender los conceptos del aprendizaje por refuerzo y saber utilizar este tipo de algoritmos para resolver aplicaciones reales.
RAPII4 - Saber aplicar técnicas de aprendizaje no supervisado para la extracción de conocimiento.
RAPII5 - Conocer los algoritmos básicos para la detección de anomalías.
RAPII6 - Conocer técnicas de aprendizaje semi-supervisado para abordar aplicaciones donde abundan los datos no etiquetados.
Tema 1: Problemas complejos de aprendizaje supervisado.
Tema 2: Problemas con cambios en la distribución de los datos.
Tema 3: Aprendizaje semi-supervisado.
Tema 4: Aprendizaje no-supervisado.
Tema 5: Detección de anomalías.
Tema 6: Modelos de Markov.
Tema 7: Aprendizaje por refuerzo.
TRABAJO PRESENCIAL | TRABAJO NO PRENSENCIAL | ||||||||
Temas | Horas totales | Clase Expositiva | Prácticas de laboratorio /Campo /Aula de Informática /Aula de idiomas | Sesiones de Evaluación | Total | Clase Expositiva (on-line) | Prácticas de laboratorio (on-line) | Trabajo autónomo | Total |
T1: Problemas complejos de aprendizaje supervisado | 28.5 | 3 | 3 | 0.5 | 6.5 | 3 | 3 | 16 | 22 |
T2: Problemas con cambios en la distribución de los datos | 21.5 | 2 | 2 | 0.5 | 4.5 | 2 | 3 | 12 | 17 |
T3: Aprendizaje semi-supervisado | 20.5 | 2 | 2 | 0.5 | 4.5 | 2 | 2 | 12 | 16 |
T4: Aprendizaje no-supervisado | 23 | 2 | 2 | 4 | 2 | 2 | 15 | 19 | |
T5: Detección de anomalías | 17 | 1 | 2 | 3 | 2 | 2 | 10 | 14 | |
T6: Modelos de Markov | 15 | 2 | 1 | 3 | 1 | 1 | 10 | 12 | |
T7: Aprendizaje por refuerzo | 24.5 | 2 | 2 | 0.5 | 4.5 | 2 | 3 | 15 | 20 |
Total | 150 | 14 | 14 | 2 | 30 | 14 | 16 | 90 | 120 |
El resumen por modalidades de trabajo se muestra a continuación:
MODALIDADES | Horas | Totales | |
Presencial | Clase Expositiva | 14 | 30 |
Prácticas de laboratorio | 14 | ||
Sesiones de evaluación | 2 | ||
No presencial | Clase Expositiva (on-line) | 14 | 120 |
Prácticas de laboratorio (on-line) | 16 | ||
Trabajo Individual | 90 | ||
Total | 150 |
Las prácticas de laboratorio consistirán en la resolución (utilizando el ordenador) de ejercicios planteados por el equipo docente donde el alumnado recibirá asistencia del profesorado para una correcta resolución de estos y, consecuentemente, una correcta comprensión de la materia explicada en las clases expositivas.
Convocatoria ordinaria
Esta evaluación constará de varias partes con los siguientes pesos:
- Parte 1: Exámenes de carácter teórico: 40%
- Parte 2: Actividades del Campus Virtual: 15%
- Parte 3: Evaluación de prácticas: 40%
- Parte 4: Asistencia / participación en seminarios y tutorías (incluye online): 5%
Se deben de alcanzar un mínimo de 4,5 puntos (sobre 10 puntos) tanto en la Parte 1 como en la Parte 3.
Para poder aprobar la asignatura en la convocatoria ordinaria, la calificación final tras realizar la media ponderada de las cuatro partes debe ser de al menos 5 puntos sobre 10 puntos.
En el caso en que no se alcancen 4,5 puntos sobre 10 puntos en la Parte 1 o en la Parte 3, la nota final de la asignatura se obtendrá como el mínimo entre 4,5 puntos sobre 10 y la nota media ponderada de las cuatro partes.
Las actividades evaluables no realizadas por el estudiante entrarán a contabilizar en el cómputo de la nota correspondiente con un cero. No obstante, si el peso total de estas actividades supone más del 50% de la nota total, la calificación final será “no presentado”.
Convocatorias extraordinarias
Esta evaluación constará de dos partes, teoría y práctica, con los siguientes pesos:
- Parte 1: Exámenes de carácter teórico: 50%
- Parte 2: Exámenes de prácticas: 50%
Se deben de alcanzar un mínimo de 4,5 puntos (sobre 10 puntos) en ambas partes para poder superar la asignatura en la convocatoria extraordinaria.
Para poder aprobar la asignatura en la convocatoria extraordinaria, la calificación final tras realizar la media ponderada de las dos partes debe ser de al menos 5 puntos sobre 10 puntos.
En el caso en que no se alcancen 4,5 puntos sobre 10 puntos en alguna de las dos partes, la nota final de la asignatura se obtendrá como el mínimo entre 4,5 puntos sobre 10 y la nota media ponderada.
Evaluación diferenciada
Se rige por las mismas directrices con la evaluación en Convocatoria extraordinaria.
Referencias bibliográficas
- Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction. Springer.
- Bishop, C. M., & Nasrabadi, N. M. (2006). Pattern recognition and machine learning. Springer.
- Sugiyama, M. (2015). Introduction to statistical machine learning. Morgan Kaufmann.
- Barber, D. (2012). Bayesian reasoning and machine learning. Cambridge University Press.
- Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.
- Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT press.