Sistemas Basados en Aprendizaje Automático (SIBA)
En esta asignatura se tratan de manera introductoria las técnicas de aprendizaje automático con una
importante componente práctica que permite al estudiante entrar en contacto con la realidad de uso y
diseño de este tipo de sistemas.
La asignatura cubre los distintos aspectos de diseño de los sistemas de aprendizaje automático basado en
datos, desde los detalles relacionados con la entrada de datos, el análisis de los mismos, la obtención de
características principales, la agrupación automática, creación de patrones, y generación de un sistema
automático que los aprenda y los reconozca. Finalmente se estudia la evaluación del comportamiento del
sistema al realizar la tarea asignada, estimación de su rendimiento y eficacia y los métodos de ajuste del
mismo para optimizar su validez.
Estos sistemas son fundamentales en muy diversos campos de aplicación, desde la automatización
inteligente de procesos industriales hasta el análisis de grandes cantidades de datos para extraer
información y clasificarla en lo que se ha dado en llamar "Big Data”.
Cada vez más la industria requiere profesionales con experiencia previa en este campo del aprendizaje
automático, reconocimiento automático de patrones y extracción de Información a partir de datos.
Las áreas de aplicación son innumerables siempre que se disponga de suficientes datos, por ejemplo datos
de redes sociales, datos de patrones de enfermedades, optimización de procesos, optimización de recursos,
análisis de comportamiento de clientes, organización operativa, detección de fallos en sistemas, análisis de
contenido de textos escritos, análisis de grabaciones de audio y vídeo etc.
Competencias
• CECT3 - Capacidad para utilizar herramientas informáticas de búsqueda de recursos bibliográficos o de
información relacionada con las telecomunicaciones y la electrónica
• CEB2 - Conocimientos básicos sobre el uso y programación de los ordenadores, sistemas operativos, bases
de datos y programas informáticos con aplicación en ingeniería
• CG2: 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
• CG7: Trabajo en equipo.
• CG8: Comunicación oral y escrita.
Resultados de Aprendizaje
• R1- Conocimientos de la problemática de análisis de grandes cantidades de datos
• R2- Conocimientos de los sistemas de clasificación y agrupamiento de datos y de las principales
características de cada uno de los métodos principalmente utilizados
• R3- Analizar y evaluar los distintos algoritmos de aprendizaje automático basado en datos
• R4- Conocimiento de los principales programas informáticos y herramientas para el análisis de
datos y aprendizaje de la máquina basado en los mismos.
• RA45 - Conocimientos y habilidades de las temáticas científico tecnológicas desarrolladas en las
asignaturas ofertadas
• RA358 - Capacidad para el análisis de problemas, trabajo en equipo y exposición de los resultados
del análisis
1. TEMA 1. Introducción
• Visión general del curso
• Mineria de datos y aprendizaje automático
• Ejemplos simples: Tiempo, iris, negociaciones laborales, clasificación de granos,
• Áreas reales de aplicación: Análisis de webs, análisis de imágenes, diagnosis de enfermedades,
Mercadotecnia y ventas
2. TEMA 2. Clasificación y regresión
• Datos de entrada: Ejemplos, atributos, clases
• Concepto de clasificación, agrupamiento y regresión
• 1-R
• ZeroR, Regla de Bayes y naive Bayes
• Clasificación lineal
• Regresión lineal
3. PRÁCTICA 1: Manejo de la herramienta WEKA
• Introducción al interface “explorer” de Weka
• Carga de datos, editor de datos, filtrado de datos
• Panel de clasificación
4. TEMA 3. Evaluación
• Concepto de entrenamiento/evaluación
• Validación cruzada
• Significancia estadística
• Sobre-entrenamiento (overfitting)
5. PRÁCTICA 2: Ejemplos de aplicación
• Definición de la aplicación
• Preparación de los datos de entrenamiento y prueba.
• Pruebas de algoritmos simples con datos sencillos
6. TEMA 4. Selección y transformación de rasgos característicos
• Basado en estimación de bondad. Selección de componentes principales.
• Basado en clasificación. Transformación lineal discriminativa (LDA)
7. PRÁCTICA 3: Estudio y selección de rasgos para mejorar el sistema
• Prueba con distintos atributos
• Selección manual de atributos
• Selección automática de atributos: Selección de componentes principales, Transformación lineal
discriminativa (LDA)
8. TEMA 5. Clasificación avanzada y agrupamiento
• Árboles de decisión y regresión
• Regla de los K vecinos más próximos (K-NN)
• Perceptron multicapa (ANN)
• Técnicas de agrupamiento, Simple kmeans, Estimate-Maximize (EM)
9. INTRODUCCION A LA PRACTICA 4
• Tutorial sobre distintos datos disponibles
• Tutorial sobre posibles algoritmos a usar en cada problema
10. PRÁCTICA 4. Desarrollo del un sistema evolucionado de aprendizaje y clasificación
Panel de visualización
• Los alumnos serán evaluados, por defecto, mediante evaluación continua. Dado el carácter
eminentemente práctico de la asignatura se desaconseja la evaluación mediante un único examen final.
• Las prácticas se evaluarán según el cuestionario entregado. El proyecto final se evaluará según la calidad
del mismo, la presentación oral, los resultados obtenidos y la calidad de la memoria.
• En cumplimiento de la Normativa de Evaluación de la Universidad Politécnica de Madrid, los alumnos
que lo deseen serán evaluados mediante un único examen final siempre y cuando lo comuniquen por
escrito al Coordinador de la Asignatura según la normativa vigente. Esta solicitud puede realizarse en
cualquier momento hasta la quinta semana incluida. El examen final consistirá en la realización y
presentación oral y escrita de un proyecto de minería de datos y aprendizaje automático.
Printer-friendly version