PLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE. Datamining y Aprendizaje Automático

Transcripción

1 CENTRO UNIVERSITARIO DE TECNOLOGÍA Y ARTE DIGITAL PLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE Datamining y Automático

2 1. DATOS DE IDENTIFICACIÓN DE LA ASIGNATURA. Título: Facultad: Grado en Ingeniería de Desarrollo de Contenidos Digitales Centro Universitario de Tecnología y Arte Digital Departamento/Instituto: Materia: Denominación de la asignatura: Sistemas Inteligentes Datamining y Automático Código: Curso: 3 Semestre: 1 Tipo de asignatura (básica, obligatoria u optativa): Optativa Créditos ECTS: 6 Modalidad/es de enseñanza: Lengua vehicular: Equipo docente: Profesor/a: Grupos: Presencial Castellano Dr. José Mª Font Fernández Dr. Federico Castanedo Sotela Dr. José Mª Font Fernández Dr. Federico Castanedo Sotela IDCD3 Despacho: Teléfono: Ext. Sala de profesores jose.font@live.u-tad.com federico.castanedo@live.utad.com Página web: u-tad.blackboard.com 1

3 2. REQUISITOS PREVIOS. Esenciales: Haber cursado Introducción a la Programación, Algoritmos y Estructuras de Datos, principios Matemáticos de la Computación e Introducción a la Teoría de la Computación Aconsejables: Haber aprobado Introducción a la Programación, Algoritmos y Estructuras de Datos, principios Matemáticos de la Computación e Introducción a la Teoría de la Computación 3. SENTIDO Y APORTACIONES DE LA ASIGNATURA AL PLAN DE ESTUDIOS. Campo de conocimiento al que pertenece la asignatura. Esta es una asignatura optativa que pertenece al módulo de Optatividad, a la materia de Sistemas Inteligentes. Relación de interdisciplinariedad con otras asignaturas del curriculum. Esta asignatura se integra horizontalmente con la otra asignatura del curso 3º perteneciente al área de Inteligencia Artificial: Inteligencia Artificial y Automático. Así mismo, entronca verticalmente con las asignaturas de 4º curso Optimización y Concurrencia Avanzada y Motores de Videojuegos, sentando las bases de la Inteligencia Artificial necesarias para ambas asignaturas. Aportaciones al plan de estudios e interés profesional de la asignatura. Esta asignatura enseña los algoritmos de creación automática de sistemas inteligentes en base a conjuntos de datos de dominios de aplicación específicos, con el fin de extraer y modelar el conocimiento encerrado en ellos para su posterior aplicación en sistema inteligente de ayuda a la decisión. 2

4 4. RESULTADOS DE APRENDIZAJE EN RELACIÓN CON LAS COMPETENCIAS QUE DESARROLLA LA ASIGNATURA. COMPETENCIAS ESPECÍFICAS CE16 - Conocer y aplicar las herramientas necesarias para el almacenamiento, procesamiento y acceso a los sistemas de información - Adquirir los fundamentos de las diversas ramas de especialización relacionadas con el área del desarrollo de contenidos digitales y software. RESULTADOS DE APRENDIZAJE RELACIONADOS CON LAS COMPETENCIAS ESPECÍFICAS Desarrollar soluciones empleando técnicas de sistemas inteligentes, para aquellos problemas en los que ésto aporte ventajas respecto al uso de otras técnicas más convencionales. Emplear técnicas de inteligencia artificial para optimizar soluciones, incorporar las nociones de aprendizaje automático y manejar información compleja en un sistema software. Conocer el estado de la técnica en sistemas inteligentes. 3

5 5. CONTENIDOS /TEMARIO / UNIDADES DIDÁCTICAS Tema 1. Introducción a la asignatura. [1 clase] Tema 2. Introducción al razonamiento Bayesiano. [3 clases] 1. Teorema de Bayes. 2. Diferencias estadística Bayesiana y Frecuentista. 3. Naïve Bayes. 3. Inferencia Bayesiana. Tema 3. Redes Bayesianas. [3 clases] 1. Introducción a las redes Bayesianas. 2. Uso de OpenBugs y prácticas. Tema 4. Técnicas de clustering y aprendizaje no supervisado. [3 clases] 1. Introducción al aprendizaje supervisado. 2. Clustering: K-medias. 3. Otros modelos de clustering: Clustering jerárquico y Multinomial. Tema 5. Árboles de decisión y árboles de comportamiento. [6 clases] 1. Toma de contacto con el framework de trabajo: Ms. Pacman. 2. Árboles de decisión. 3. Construcción automática de árboles de decisión. 4. Árboles de comportamiento. 5. Implementación en Ms. Pacman. Tema 6. Redes de Neuronas Artificiales. [10 clases] 1. La neurona artificial. 2. El perceptrón multicapa. 3. Entrenamiento mediante backpropagation. 4. Implementación en Ms. Pacman. 4

6 6. CRONOGRAMA UNIDADES DIDÁCTICAS / TEMAS PERÍODO TEMPORAL Tema 1. Introducción a la asignatura Sesión 1 Tema 2. Introducción al razonamiento Bayesiano Sesiones 2 4 Tema 3. Redes Bayesianas Sesiones 5 7 Tema 4. Técnicas de clustering y aprendizaje no supervisado Tema 5. Árboles de decisión y árboles de comportamiento. Sesiones 8 10 Sesiones Tema 6. Redes de Neuronas Artificiales. Sesiones

7 7. MODALIDADES ORGANIZATIVAS Y MÉTODOS DE ENSEÑANZA MODALIDAD ORGANIZATIVA Clases teóricas MÉTODO DE ENSEÑANZA Lección magistral COMPETENCIAS RELACIONADAS HORAS PRESENCIALES TRABAJO AUTÓNOMO TOTAL DE HORAS Seminarios y talleres Clases prácticas Practicas externas Tutorías Actividades de evaluación Estudio y trabajo en grupo Estudio de casos Resolución de ejercicios y problemas basado en problemas orientado a proyectos orientado a proyectos basado en problemas cooperativo Estudio y trabajo autónomo, individual Estudio de casos Resolución de ejercicios y problemas basado en problemas orientado a proyectos

8 8. SISTEMA DE EVALUACIÓN ACTIVIDAD DE EVALUACIÓN Práctica 1. Modelos Bayesianos Práctica 2. Clustering Práctica 3: Árboles de decisión Práctica 4: Redes de Neuronas Examen final de la asignatura CRITERIOS DE EVALUACIÓN Evaluación de 0 a 10. Entrega por blackboard y evaluación por parte del profesor sin necesidad de defensa presencial. Evaluación de 0 a 10. Entrega por blackboard y evaluación por parte del profesor sin necesidad de defensa presencial. Evaluación de 0 a 10. Entrega por blackboard y evaluación por parte del profesor sin necesidad de defensa presencial. Evaluación de 0 a 10. Entrega por blackboard y evaluación por parte del profesor sin necesidad de defensa presencial. Evaluación de 0 a 10. Es necesario obtener al menos un 5 en el examen para aprobar la asignatura. VALORACIÓN RESPECTO A LA CALIFICACIÓN FINAL (%) 15% 15% 15% 25% 30% Consideraciones generales acerca de la evaluación: A medida que se avance en el temario habrá problemas o ejercicios cortos planteados por el profesor. Los problemas y ejercicios están pensados para que el alumno los resuelva en el tiempo de clase, pero, si no le da tiempo a acabarlos del todo, deberá finalizarlos fuera de clase. En clase se explicarán los problemas y ejercicios propuestos. Durante el periodo de ejercicios de cada clase, el profesor irá pasando por cada alumno para corregir y valorar, delante de él, sus ejercicios de la clase anterior. El alumno deberá responder adecuadamente a las preguntas que el profesor le haga sobre sus ejercicios. A todos los efectos, una nota inferior a un 5 se considera suspensa. Es necesario obtener al menos un 5 en la nota final para poder aprobar la asignatura. Existen dos oportunidades para ello: la convocatoria ordinaria y la extraordinaria. En la convocatoria ordinaria: 1. Si la nota final de las prácticas es igual o superior a un 5 pero el examen final ordinario está suspenso, la asignatura estará suspensa. 2. Si la nota del examen final ordinario es igual o superior a un cinco, la nota final de la asignatura se calculará obteniendo la media ponderada de ambas. En la evaluación continua los pesos serán de 70%-30% (prácticas y examen), mientras que en la evaluación no continua serán de 50%-50% (prácticas y examen). En la convocatoria extraordinaria: 1. Aquellos alumnos que hayan suspendido la asignatura en la convocatoria ordinaria, deberán 7

9 realizar el examen en la convocatoria extraordinaria. 2. Además, para aprobar la asignatura en la convocatoria extraordinaria, se ha de haber aprobado dos prácticas: una práctica de la primera parte de la asignatura (redes bayesianas y clustering) y otra práctica de la segunda parte (árboles de decisión y redes de neuronas). Si el alumno no cumple este requisito, deberá entregar y aprobar dichas prácticas en la convocatoria extraordinaria. 3. Si se aprueban ambas prácticas por separado así como el examen final extraordinario, la nota final extraordinaria se calculará como la media ponderada (30%-70%) de las prácticas y el examen. El porcentaje de presencialidad es del 80% de las clases. Las notas del examen final y de las prácticas no se guardan entre cursos académicos sucesivos. Las prácticas o cualquier examen estarán suspensos si se descubre que un alumno (o varios) ha copiado a otro (o a varios, todos los alumnos involucrados estarán suspensos) o bien ha copiado de un libro o de Internet. Además, la Universidad abrirá expedientes disciplinarios a todos los alumnos involucrados, pudiendo desembocar incluso en su expulsión. Los exámenes y los ejercicios constarán de uno o varios de los siguientes tipos de preguntas: Cuestiones teóricas cortas. Preguntas de tipo test sobre teoría o elegir el resultado final de un ejercicio. Problemas. Preguntas sobre las prácticas. 9. BIBLIOGRAFÍA / WEBGRAFÍA Bibliografía básica (1-3 libros) Data Mining, Concepts and Techniques (3rd edition). Jiawei Han, Micheline Kamber and Jian Pei. ISBN: Morgan Kaufmann - Elsevier. Artificial Intelligence for Games (2nd edition). Ian Millinton. CRC Press. Bayesian Computation with R. Jim Albert. Springer. Bibliografía recomendada (Max 10 libros) Artificial Intelligence: A New Synthesis. Nils J. Nilsson. Morgan Kaufmann. Introducción al análisis bayesiano. Gutiérrez Andrés. Iniciación a la estadística bayesiana (Cuadernos de Estadística) 8

10 10. MATERIAL, SOFTWARE Y HERRAMIENTAS NECESARIAS TIPOLOGÍA DEL AULA: Aula de ordenadores con ordenador para el profesor conectado a proyector. MATERIALES: SOFTWARE: Pizarra blanca Proyector Paquete estadístico R Eclipse IDE for Java EE Developers ( Weka ( 9