Aprendizaxe automática supervisada

Na aprendizaxe supervisada, os sistemas intelixentes aprenden por si mesmos métodos para extraer información de datos tomados como exemplo, de forma supervisada, é dicir, con valores coñecidos para as magnitudes que se prevén automaticamente. Así, os sistemas intelixentes aprenden a construír funcións ou modelos baseados en exemplos anotados (datos de adestramento). As funcións aprendidas teñen capacidade de xeneralización para ser aplicadas a novos exemplos a partir dos que facer predicións ou tomar decisións. Nesta materia impartiranse os métodos de aprendizaxe tutelada máis importantes e as súas aplicacións básicas (clasificación, predición e regresión). Ensinarase a aplicar diferentes técnicas e escoller a máis adecuada para cada problema en función das súas características, volume de datos e escalabilidade. Discutaranse algunhas das estratexias máis relevantes e amplamente aplicadas con diversos enfoques de aprendizaxe supervisada. Ademais de analizar os pros e os contras dos diferentes enfoques estudados, veremos algúns problemas comúns que poden xurdir do conxunto de datos de adestramento e proba empregados, tanto intrínsecos como por un uso inadecuado dos mesmos. Así, o obxectivo principal é comprender os conceptos asociados á aprendizaxe automática a partir de datos previamente etiquetados, así como os seus fundamentos matemáticos.

Tema 1. Conceptos preliminares de aprendizaxe automática: regresión e clasificación.

Tema 2. Selección do modelo.

Tema 3. Métodos baseados nos veciños máis próximos.

Tema 4. Sistemas baseados en regras.

Tema 5. Clasificación lineal e regresión.

Tema 6. Árbores de decisión.

Tema 7. Máquinas vectoriais de apoio.

Tema 8. Conxuntos: ensacado, impulso e bosque aleatorio.

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

Ao longo do curso, o alumnado desenvolverá as seguintes habilidades:

1) BÁSICAS:

CB2. Que o alumnado saiba aplicar os seus coñecementos ao seu traballo ou vocación de forma profesional e posúe as competencias que adoitan demostrarse mediante o desenvolvemento e defensa de argumentos e a resolución de problemas dentro da súa área de estudo.

2) XERAIS:

CG2. Capacidade para resolver problemas con iniciativa, toma de decisións, autonomía e creatividade.

GG4. Capacidade para seleccionar e xustificar os métodos e técnicas adecuadas para resolver un problema concreto, ou para desenvolver e propoñer novos métodos baseados na intelixencia artificial.

CG5. Capacidade para concibir novos sistemas informáticos e/ou avaliar o rendemento dos sistemas existentes, que integren modelos e técnicas de intelixencia artificial.

3) TRANSVERSAIS:

TR1. Capacidade para comunicar e transmitir os seus coñecementos, habilidades e habilidades.

TR2. Capacidade de traballo en equipo, en contornas interdisciplinares e de xestión de conflitos.


4) ESPECÍFICAS:

CE1. Capacidade para utilizar conceptos e métodos matemáticos e estatísticos para modelar e resolver problemas de intelixencia artificial.

CE12. Coñecer os fundamentos dos algoritmos e modelos de intelixencia artificial para resolver problemas de certa complexidade, comprender a súa complexidade computacional e ter a capacidade de deseñar novos modelos.

CE15. Coñecer e saber aplicar e explicar correctamente as técnicas de validación de solucións de intelixencia artificial.

Os resultados de aprendizaxe serán
+ Saber seleccionar as diferentes técnicas de aprendizaxe supervisada para resolver un problema nun determinado dominio.
+ Coñecer os paradigmas formais máis importantes para a aprendizaxe supervisada a partir de datos.
+ Coñecer técnicas de clasificación e regresión na aprendizaxe supervisada.
+ Coñecer as vantaxes e os inconvenientes das diferentes estratexias de aprendizaxe supervisada, modelos e combinación de modelos, pero tamén métricas de avaliación e metodoloxías de validación para seleccionar os mellores modelos.
+ Saber aplicar los algoritmos y modelos estudiados en diversos casos de uso.

Clases expositivas (30 h): presentacións tipo master class para presentar os contidos dos diferentes temas, con especial fincapé na explicación e asimilación de conceptos, fundamentos matemáticos e a potencial utilidade da aprendizaxe automática supervisada.

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

A materia é 100% presencial.

Exame final con preguntas tipo test e resposta curta sobre os contidos tratados nas clases expositivas: 60% da nota final.

Avaliación continua: avaliación das entregas e resultados obtidos nas diferentes prácticas da materia: 40% da nota final.

Terase en conta a asistencia e participación do alumnado tanto nas clases maxistrais como nas prácticas, debates e/ou seminarios que se desenvolvan ao longo do curso.

Para aprobar a materia é necesario superar tanto o exame final como a avaliación continua.

A entrega dun dos informes de prácticas (ou calquera outra avaliación dunhas prácticas) suporá que o estudante optou por cursar a materia. Polo tanto, a partir dese momento, ao non presentarse aínda ao exame final, considerarase consumida unha oportunidade.

Na segunda avaliación de oportunidade (xullo) mantense a nota da práctica, no caso de ter unha cualificación de 5 ou máis puntos. Noutros casos, o alumno terá que ser avaliado de novo para a parte práctica da materia nesta segunda oportunidade. En todo caso, deberá realizarse o exame final, e non se conservará a nota anterior. A partir de aí, para superar a materia aplicaranse os mesmos criterios xa establecidos para a primeira oportunidade.

En caso de exames fraudulentos, aplicarase o “Normamento de avaliación do rendemento académico dos alumnos e revisión de cualificacións” (https://www.xunta.gal/dog/Publicados/2011/20110721/AnuncioG2018-190711-…. html). A copia total ou parcial dun exercicio práctico ou teórico dará lugar automaticamente a unha nota de 0,0 na materia e oportunidade.

Tempo de traballo presencial: 50 horas (total), divididas en 30 horas (clases expositivas), 20 horas (clases interactivas).

Tempo de traballo persoal: 100 horas (total), que inclúe estudo, exercicios e outras actividades de avaliación.

Recoméndase que o alumnado acuda a clase e resolva, verifique e valide todos os exercicios e prácticas propostos (non só os susceptibles de ser avaliados), utilizando as bibliotecas de aprendizaxe automática utilizadas na materia e mediante programación directa.

Medio docente complementario: curso virtual na plataforma facilitada pola USC, desenvolvido e actualizado constantemente polo profesorado da materia.

A lingua de ensino predominante é o castelán, pero tanto na bibliografía como nos apuntes pode haber parte do contido en inglés.