Aprendizaje Automático

Entender los principales conceptos asociados al aprendizaje automático, así como sus fundamentos matemáticos. Analizar algunas de las estrategias más relevantes y más ampliamente aplicadas en el diseño automático de regresores y clasificadores, así como de las aproximaciones supervisadas, no supervisadas y de aprendizaje por refuerzo. Además de analizar los pros y contras de las distintas aproximaciones estudiadas, se verán algunos problemas frecuentes que pueden derivarse del conjunto de datos de entrenamiento y test utilizados, tanto intrínsecas como por un uso inadecuado de los mismos.

Tema 1. Conceptos preliminares del aprendizaje automático
Tema 2. Reducción de dimensionalidad
Tema 3. Clasificación y regresión lineales
Tema 4. Árboles de decisión
Tema 5. Comités
Tema 6. Redes neuronales y aprendizaje profunda
Tema 7. Máquinas de vectores de soporte
Tema 8. Agrupamiento
Tema 9. Aprendizaje por refuerzo

Básica:
Theodoridis: Machine learning: a Bayesian and optimization perspective, Academic Press, ISBN 9780128188033
C.M. Bishop. Pattern recognition and machine learning, Springer, 2006, ISBN: 978-0387310732
R.O. Duda, P.E. Hart, D.G. Stork. Pattern classification. Wiley Interscience, 2000. ISBN: 978-0471056690
R.S. Sutton, A.G. Barton. Reinforcement learning: an introduction. MIT Press, 2nd Edition, 2018. ISBN: ISBN: 978-0262039246

Complementaria:
H. Daume. A course in machine learning. Autopublicado, 2017
P. Harrington. Machine learning in action. O'Reilly, 2012. ISBN 978-1617290183
J. Hurwitz, D. Kirsch. Machine learning for dummies. John Wiley & Sons, Inc., 2018. ISBN 9781119454953

CG8: 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.

CG9: 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.

TR1: Instrumentales: Capacidad de análisis y síntesis. Capacidad de organización y planificación. Comunicación oral y escrita en gallego,
castellano e inglés. Capacidad de gestión de la información. Resolución de problemas. Toma de decisiones.

FB3: Capacidad para comprender y dominar los conceptos básicos de matemática discreta, lógica, algorítmica y complejidad computacional, y su aplicación para la resolución de problemas propios de la ingeniería.

RI5: Conocimiento, administración y mantenimiento de sistemas, servicios y aplicaciones informáticas.

En esta asignatura se usan librerías software que implementan métodos de aprendizaje versátil a partir de datos con adaptación a nuevas situaciones (competencia CG8). También se realizan procesos de extracción de información que exigen tomar decisiones de forma creativa y comunicar la información obtenida a partir de los datos (CG9) de forma oral y escrita, planificando las estrategias de aprendizaje y validación de los métodos usados (TR1). Los métodos estudiados emplean conceptos de matemática discreta, y el análise de su algorítmica y complejidad computacional son fundamentales para su aplicación a grandes volúmenes de datos (FB3). Finalmente, es necesaria la administración de los sistemas y aplicaciones que implementan los métodos estudiados (RI5).

Clases expositivas (10 h): presentaciones tipo clase magistral para exponer los contenidos de los distintos temas, con especial énfasis en la explicación y asimilación de conceptos, fundamentos matemáticos y potencial utilidad del aprendizaje automático.
Clases interactivas (30 h): resolución de problemas prácticos de clasificación, regresión, agrupamiento, reducción de la dimensionalidad y aprendizaje por refuerzo.

Examen final con preguntas tipo test y de respuesta corta sobre los contenidos abordados en las clases expositivas: 40% de la nota final.
Evaluación continua: evaluación de la realización y resultados conseguidos en las distintas prácticas de la materia: 60% de la nota final.
Para aprobar la materia es necesario tener al menos un 4 en cada parte, y que la nota media sea igual o superior a 5.

La entrega de alguno de los boletines de prácticas (o realizada cualquier otra evaluación de alguna práctica) supondrá que el alumno optó por presentarse a la asignatura. Por tanto, a partir de ese momento, aún no presentándose al examen final habrá consumido una oportunidad.

De tener que presentarse a la segunda oportunidad (julio), se conservarán las notas de cualquiera de las partes evaluadas (examen final o evaluación continua, centrada en las prácticas), siempre que dicha nota sea igual o superior a 5. De otro modo tendrán que repetirse ambas partes. A partir de ahí, para aprobar la materia se aplicará el mismo criterio ya expuesto para la primera oportunidad.

En caso de realización fraudulenta de exámenes se aplicará la "Normativa de evaluación del rendimiento académico de l@s estudiant@s y de revisión de cualificaciones".

Trabajo presencial:
Clases expositivas: 10h
Clases interactivas de laboratorio en ordenador: 30h
Actividades de evaluación: 5h
Total: 45h

Trabajo personal:
Estudio autónomo: 19h
Realización de ejercicios: 7h
Programación en ordenador: 28h
Avaliación de exámenes: 13h
Total: 67h

Asistencia a clase y realización de las prácticas propuestas usando librarías de aprendizaje automático y mediante programación directa

Los contenidos de apoyo a la materia, tanto de las clases expositivas como interactivas, estarán disponibles en el campus virtual de la materia.

La lengua predominante de impartición de la materia será el gallego.