Pontificia Universidad Católica del Ecuador

Transcripción

1 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: CÓDIGO: CARRERA: NIVEL: INTELIGENCIA ARTIFICIAL II (Aprendizaje Automático) IS INGENIERIA DE SISTEMAS SEPTIMO No. CRÉDITOS: 4 CRÉDITOS TEORÍA: 2 CRÉDITOS PRÁCTICA: 2 SEMESTRE / AÑO ACADÉMICO: PROFESOR: Nombre: Grado académico o título profesional: Breve indicación de la línea de actividad académica: Indicación de horario de atención a estudiantes: Correo electrónico: Teléfono: Segundo Semestre Jorge A. Aguilar Jaramillo Físico, MSc en SIG Aprendizaje Automático, Sistemas de Información Geográfica y Docencia Universitaria Plataforma Moodle 2. DESCRIPCIÓN DE LA MATERIA: El presente curso se enfoca en el tema de aprendizaje automático, minería de datos y reconocimiento de patrones estadísticos. Se brindará una amplia introducción a los diferentes temas que se reforzaran con prácticas de laboratorio semanales. 3. OBJETIVO GENERAL: Al completar el presente curso, el estudiante estará en capacidad de usar las técnicas de aprendizaje automático más efectivas, no solamente entenderá los 1

2 fundamentos teóricos sino que aprenderá a aplicar estas técnicas de manera rápida y segura en nuevos problemas. 4. OBJETIVOS ESPECÍFICOS: a) Entender y aplicar los algoritmos de aprendizaje supervisado (algoritmos paramétricos /no paramétricos), máquinas de soporte vectorial, núcleos y redes neuronales). b) Entender y aplicar los algoritmos de aprendizaje no supervisado (agrupamiento, reducción de dimensionalidad, sistemas de recomendación). c) Conocer las mejores prácticas en el aprendizaje automático (teoría sesgo / varianza; proceso de innovación en el aprendizaje automático e Inteligencia Artificial). d) Aprender a aplicar los algoritmos de aprendizaje en extracción de modelos a partir de los datos, comprensión del texto, extracción de bases de datos, y otras áreas ya que el curso se basará en estudios de casos y aplicaciones. 5. CONTENIDOS Semana 1 Introducción Regresión lineal con una variable Revisión de álgebra lineal Semana 2 Tutorial Matlab - Octave Laboratorio: Uso de Matlab Semana 3 Regresión lineal con múltiples variables Laboratorio: Ejercicio de Regresión lineal múltiples variables Semana 4 Regresión Logística (RL) Laboratorio: Ejercicio de programación Regresión logística Semana 5 Regularización Clasificación Uno-contra-todos Laboratorio: Ejercicio de programación (RL) uno contra todos: Clasificación Multi-clase 2

3 Semana 6 Redes Neuronales Laboratorio: Ejercicio de programación de predicción con redes neuronales Semana 7 Algoritmo de backpropagation Laboratorio: Ejercicio de programación de aprendizaje de redes neuronales Semana 8 Consejos prácticos para la aplicación de algoritmos de aprendizaje Cómo desarrollar y depurar algoritmos de aprendizaje Semana 9 Función y diseño de modelos, configuración de experimentos Laboratorio: Ejercicio de programación de sesgo y varianza Semana 10 Máquinas de Soporte Vectorial (SVM) Laboratorio: Ejercicio de programación (SVM) Semana 11 Aprendizaje no supervisado: Agrupamiento aglomerativo, k-medias La combinación de aprendizaje supervisado y no supervisado. Semana 12 Análisis de Componentes principales Laboratorio: Ejercicio de programación de ACP Semana 13 Sistemas de recomendación - Aprender a clasificar Laboratorio: Ejercicio de programación Semana 14 Detección de anomalías Laboratorio: Ejercicio de programación Semana 15 Aprendizaje automático de gran escala/paralelo y grandes volúmenes de datos. Diseño de aprendizaje automático / métodos prácticos Semana 16 Diseño de sistemas de aprendizaje automático 3

4 6. METODOLOGÍA, RECURSOS: El estudiante es el principal actor en su aprendizaje, el profesor esta para apoyar en este proceso. Por esta razón el estudiante bebe revisar el material disponible: apuntes de clase, lecturas de artículos sobre la temática con la finalidad de aclarar dudas y tener clases lo más participativas. Para el desarrollo de cada unidad se planteara un problema y un conjunto de preguntas para enfocar al estudiante en la temática, se desarrollara los contenidos y finalmente el estudiante trabajará en estos contenidos y problemas específicos completando el código que resuelva los problemas planteados. 7. EVALUACIÓN: Se tendrán evaluaciones continuas de los trabajos de laboratorio y pruebas de comprensión teóricas que formaran el 50% de la nota y un examen en las fechas indicadas que completara el otro 50% SISTEMA DE CALIFICACIÓN Trabajos para formar la nota parcial: Participación, Pruebas, Laboratorios 50% Examen 50% FECHA DE ENTREGA DE CALIFICACIONES EN SECRETARÍA: Primer parcial: 24 febrero Segundo Parcial: 30 de marzo Final: 25 de mayo 8. BIBLIOGRAFÍA: Textos de Referencia: Aguilar J (2007), Apuntes de Inteligencia Artificial Ethem Alpaydin (2010) Introduction to Machine Learning, The MIT Press Hilera y Martínez (1995), Redes Neuronales Artificiales, Addison-Wesley Textos Recomendados: Donald Tveter (1998) The Pattern recognition Basis of Artificial Intelligence, IEEE Computer Society Haykin Simon (1998) Neural Networks: A Comprehensive Foundation (2nd Edition) 4

5 Asignatura: ORGANIZACIÓN DOCENTE SEMANAL SEMANA (1-16) ACTIVIDADES DE INTERACCIÓN DOCENTE - ESTUDIANTES N de horas de clases teóricas (HORAS PRESENCIALES) N de horas de clases prácticas, laboratorios, talleres N de horas de tutorías especializadas TRABAJO AUTÓNOMO DEL ESTUDIANTE (HORAS NO PRESENCIALES) ACTIVIDADES (Descripción) N de horas EVALU ACION ES TEMAS A TRATAR (N del tema, unidad, o capítulo descritos en Contenidos) 1 semana 4 0 Lectura 2 Regresión lineal 2 semana 2 2 Lectura - Laboratorio 4 X Matlab 3 semana 2 2 Lectura - Laboratorio 2 Regresión lineal multivariable 4 semana 2 2 Lectura - Laboratorio 2 X Regresión logística 5 semana 2 2 Lectura - Laboratorio 3 Regularización 6 semana 2 2 Lectura - Laboratorio 2 X Redes Neuronales 7 semana 2 2 Lectura - Laboratorio 3 Algoritmo de aprendizaje de RNA 8 semana 2 2 Lectura 4 Consejos prácticos 9 semana 2 2 Lectura - Laboratorio 3 X Diseño de Modelos 10 semana 2 2 Lectura - Laboratorio 2 X Máquinas de soporte vectorial 11 semana 2 2 Lectura - Laboratorio 3 X Aprendizaje no supervisado 12 semana 2 2 Lectura - Laboratorio 3 X Análisis de componentes independientes 13 semana 2 2 Lectura - Laboratorio 4 X Detección de anomalías 14 semana 2 2 Lectura - Laboratorio 4 Sistemas de recomededación 15 semana 2 2 Lectura - Laboratorio 4 Diseño de sistemas 16 semana 2 2 Taller 4 X repaso EXÁMENES: 20 febrero, 26 marzo, 14 mayo Nota Aclaratoria: Varias actividades están planificadas mediante la plataforma Moodle, y conforman la nota de participación. 5

6 Aprobado: Por el Consejo de Escuela f) Director de Escuela fecha: Por el Consejo de Facultad f) Decano fecha: INFORMACIÓN ADICIONAL PARA LA ELABORACIÓN DEL PROGRAMA Inicio del segundo semestre : 16 de enero de 2012 Fin del segundo semestre : 18 de mayo de 2012 Exámenes finales: del 14 al 18 de mayo de