Aprendizaje automático supervisado

En el aprendizaje supervisado, los sistemas inteligentes aprenden por sí mismos métodos para la extracción de información a partir de datos tomados como ejemplo, de forma supervisada, es decir con valores conocidos para las magnitudes a predecir de forma automática. Así, los sistemas inteligentes aprenden a construir funciones o modelos partiendo de ejemplos anotados (datos de entrenamiento). Las funciones aprendidas tienen capacidad de generalización para poder ser aplicadas sobre ejemplos nuevos a partir de los que realizar predicciones o tomar decisiones. En esta asignatura se impartirán los métodos de aprendizaje supervisado más importantes y sus aplicaciones básicas (clasificación, predicción y regresión). Se enseñará a aplicar diferentes técnicas y elegir la más adecuada para cada problema en base a sus características, volumen de los datos y escalabilidad. Se discutirán algunas de las estrategias más relevantes y ampliamente aplicadas con diversos enfoques de aprendizaje supervisado. Además de analizar los pros y los contras de los diferentes enfoques estudiados, se verán algunos problemas frecuentes que pueden surgir del conjunto de datos de entrenamiento y test utilizados, tanto intrínsecos como por un uso inadecuado de los mismos. Así, el objetivo principal es comprender los conceptos asociados al aprendizaje automático a partir de datos previamente etiquetados, así como sus fundamentos matemáticos.

Tema 1. Conceptos preliminares de aprendizaje automático: Regresión y clasificación.

Tema 2. Selección de modelos.

Tema 3. Métodos basados en vecinos más cercanos.

Tema 4. Sistemas basados en reglas.

Tema 5. Clasificación y regresión lineales.

Tema 6. Árboles de decisión.

Tema 7. Máquinas de vectores de soporte.

Tema 8. Ensembles: bagging, boosting y random forest.

1) Bibliografía básica:

G. James, D. Witten, T. Hastie, R. Tibshirani. An Introduction to Statistical Learning with Applications in R. Ed. 1, New York: Springer, 2013. ISBN 978-1-4614-7137-0.

T. Hastie, R. Tibshirani, J. Friedman. The elements of statistical learning: data mining, inference, and prediction. Ed. 2, New York: Springer, 2009. ISBN 978-0-3878-4857-0.


2) Bibliografía complementaria:

C.M. Bishop. Pattern recognition and machine learning, Springer, 2006, ISBN: 978-0387310732

I.H. Witten, E. Frank, M.A. Hall, C.J. Pal, DATA MINNIG. Practical Machine Learning Tools and Techniques (Morgan Kaufmann Series in Data Management Systems). 4th Edition. ISBN-10:0128042915, ISBN-13:978-0128042915

P. Harrington. Machine learning in action. O'Reilly, 2012. ISBN 978-1617290183

A. Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media, Inc., ISBN:9781492032649, 2nd Edition

J. Hurwitz, D. Kirsch. Machine learning for dummies. John Wiley & Sons, Inc., 2018. ISBN 9781119454953

A lo largo del curso, el estudiantado desarrollará las siguientes competencias:

1) 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

2) GENERALES:

CG2. Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad.

CG4. Capacidad para seleccionar y justificar los métodos y técnicas adecuadas para resolver un problema concreto, o para desarrollar y proponer nuevos métodos basados en inteligencia artificial.

CG5. Capacidad para concebir nuevos sistemas computacionales y/o evaluar el rendimiento de sistemas existentes, que integren modelos y técnicas de inteligencia artificial.

3) TRANSVERSALES:

TR1 - Capacidad para comunicar y transmitir sus conocimientos, habilidades y destrezas.

TR2. Capacidad de trabajo en equipo, en entornos interdisciplinares y gestionando conflictos.

4) ESPECÍFICAS:

CE1. Capacidad para utilizar los conceptos y métodos matemáticos y estadísticos para modelizar y resolver problemas de inteligencia artificial.

CE12. Conocer los fundamentos de los algoritmos y modelos de inteligencia artificial para la resolución de problemas de cierta complejidad, entender su complejidad computacional y tener capacidad para diseñar nuevos modelos.

CE15. Conocer y saber aplicar y explicar correctamente las técnicas de validación de las soluciones de inteligencia artificial.


Los Resultados del Aprendizaje serán:
+ Saber seleccionar las diferentes técnicas de aprendizaje supervisado para resolver un problema en un determinado dominio.
+ Conocer los paradigmas formales más importantes para el aprendizaje supervisado a partir de datos.
+ Conocer las técnicas de clasificación y regresión en aprendizaje supervisado.
+ Conocer las ventajas e inconvenientes de las diferentes estrategias de aprendizaje supervisado, modelos y combinación de modelos, pero también métricas de evaluación y metodologías de validación para seleccionar los mejores modelos.
+ Saber aplicar los algoritmos y modelos estudiados en diversos casos de uso.

Clases expositivas (30 h): presentaciones tipo clase magistral para exponer los contenidos de los diferentes temas, con especial énfasis en la explicación y asimilación de conceptos, fundamentos matemáticos y la utilidad potencial del aprendizaje automático supervisado.

Clases interactivas (20 h): resolución de problemas prácticos de clasificación y regresión.

La materia es 100% presencial.

Examen final con preguntas tipo test y de respuesta corta sobre los contenidos tratados en las clases expositivas: 60% de la nota final.

Evaluación continua: evaluación de las entregas y resultados obtenidos en las diferentes prácticas de la asignatura: 40% de la nota final.

Se tendrá en cuenta la asistencia y participación del estudiantado tanto en las clases magistrales como en las prácticas, debates, y/o seminarios que se realicen a lo largo del curso.

Para aprobar la asignatura es necesario aprobar tanto el examen final como la evaluación continua.

La entrega de uno de los informes de prácticas (o cualquier otra evaluación de unas prácticas) supondrá que el estudiante ha optado por cursar la asignatura. Por lo tanto, a partir de ese momento, al no presentarse aún al examen final, se dará por consumida una oportunidad.

En la evaluación en segunda oportunidad (julio) se mantiene la nota de prácticas, en el caso de tener una cualificación de la misma de 5 o más puntos. En otro caso el estudiante tendrá que ser evaluado de nuevo de la parte de prácticas de la materia en esta segunda oportunidad. En cualquier caso, se deberá hacer el examen final, no conservándose la nota anterior. A partir de ahí, para aprobar la asignatura se aplicarán los mismos criterios ya establecidos para la primera oportunidad.

En caso de exámenes fraudulentos se aplicará el “Reglamento para la evaluación del rendimiento académico de los estudiantes y de revisión de calificaciones” (https://www.xunta.gal/dog/Publicados/2011/20110721/AnuncioG2018-190711-…). La copia total o parcial de cualquier ejercicio de práctica o teoría dará lugar automáticamente a una calificación de 0,0 en la materia y oportunidad.

Tiempo de trabajo presencial: 50h (total), divididas en 30h (clases expositivas), 20h (clases interactivas).

Tiempo de trabajo personal: 100h (total), que incluye estudio, realización de ejercicios, y otras actividades de evaluación.

Se recomienda que el estudiantado asista a clase y resuelva, verifique y valide todos los ejercicios y prácticas propuestas (no sólo las evaluables), utilizando las bibliotecas de aprendizaje automático utilizadas en la asignatura y mediante programación directa.

Medio complementario de docencia: curso virtual en la plataforma proporcionada por la USC, desarrollado y actualizado constantemente por el profesorado de la asignatura.

El idioma predominante de enseñanza es el español, pero tanto en la bibliografía como en los apuntes pude haber parte de contenidos en inglés.