Fundamentos de aprendizaje automático

Se pretende que el alumno comprenda los principales conceptos asociados al Aprendizaje Estadístico o Automático y sus fundamentos matemáticos. Se hara un recorrido a través de las principales técnicas y herramientas de aprendizaje automático que surgen de los problemas de clasificación y regresión supervisados y no supervisados, analizando las ventajas, los riesgos y las desventajas de cada enfoque.
Los objetivos a alcanzar como resultado del aprendizaje son:
• Identificar y modelar problemas en aplicaciones reales eligiendo la herramienta adecuada.
• Comprender las implicaciones de las hipótesis estructurales en los resultados de los modelos y posibles reformulaciones.
• Construir modelos de aprendizaje estadístico para el análisis de datos.
• Interpretar los resultados para presentarlos a audiencias tanto especializadas como no especializadas.

Tema 1. Fundamentos de Probabilidad, Estadística y Aprendizaje Estadístico. Técnicas generales de preprocesamiento de datos y evaluación de modelos.
Tema 2. Modelos clásicos de Regresión y Clasificación
Tema 3. Extensiones de modelos de regresión y clasificación.
Tema 4. Técnicas de remuestreo y montaje de modelos.
Tema 5. Técnicas de clasificación no supervisada

Básica
• Friedman, J.; Hastie, T. and Tibshirani, R. (2008) The Elements of Statistical Learning. Springer
• James, G.; Witten, D.; Hastie, T. and Tibshirani (2021) An introduction to Statistical Learning 2ed. Springer.

Complementaria
• Pathak, M.A. (2014). Beginning Data Science with R. Springer
• Theodoridis, S. (2020). Machine Learning. A Bayesian and Optimization Perspective. Academic Press.

En esta asignatura se trabajarán las competencias básicas, generales y específicas recogidas en la memoria del título:
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.
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
CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía
TR3 - Capacidad para crear nuevos modelos y soluciones de forma autónoma y creativa, adaptándose a nuevas situaciones. Iniciativa y espíritu emprendedor.
CE1 - Capacidad para utilizar los conceptos y métodos matemáticos y estadísticos para modelizar y resolver problemas de inteligencia artificial
CE15 - Conocer y saber aplicar y explicar correctamente las técnicas de validación de las soluciones de inteligencia artificial.
CE2 - Capacidad para resolver problemas de inteligencia artificial que precisen algoritmos, aplicando correctamente metodologías de desarrollo software y diseño centrado en usuario/a.
CE12 - Conocer los fundamentos de los algortimos y modelos de lainteligencia artificial para la resolución de problemas de cierta complejidad, entender su complejidad computacional y tener capacidad para diseñar nuevos modelos.

La docencia consistirá en clases expositivas (20hrs) e interactivas (30hrs), así como tutorías del aprendizaje y de las tareas asignadas a los alumnos. Las clases magistrales consistirán en clases de exposición de los contenidos de los distintos temas, con especial énfasis en la explicación y asimilación de conceptos, fundamentos matemáticos y utilidad. En las clases interactivas se resolverán problemas prácticos relacionados con los temas: regresión y clasificación tanto supervisada como no supervisada.
La estructura de las clases está diseñada para cubrir todas las competencias: generales, básicas, transversales y específicas.

La nota final será la combinación de la nota del examen final con la evaluación continua en una proporción (60%-40%). El examen final consistirá en una prueba informática de resolución e interpretación de problemas prácticos. La evaluación continua consistirá en pruebas realizadas en horas de laboratorio a lo largo del curso. Para la segunda oportunidad se mantendrá la nota obtenida en la evaluación continua.

Tanto la evaluación continua como la prueba final están diseñadas para cubrir todas las competencias básicas, transversales y específicas.

Cada crédito ECTS se traduce en 8 horas de clases presenciales. Se estima que el alumno necesitará, por cada hora de clase presencial, una hora adicional para la comprensión global de los contenidos. La realización de trabajos de evaluación continua o la preparación de pruebas tendrá un valor de 9 horas por crédito ECTS. Se obtendrá un total de 25 horas por crédito ECTS.

Es importante tener frescos los conceptos de Álgebra, Cálculo y Análisis Numérico y Estadística de materias anteriores.
Se aconseja participar activamente es el proceso de aprendizaje de la materia: asistencia y participación en las clases teóricas y de ordenador y del uso de las horas de tutoría así como de la realización de un esfuerzo responsable del trabajo y asimilación personal de los métodos estudiados.

Para los casos de realización fraudulenta de ejercicios y pruebas, será de aplicación lo recogido en la normativa de la Universidad.
Esta guía y los criterios y metodologías en ella descritos están sujetos a modificaciones que se deriven de normativas y directrices de la USC.