ESCUELA POLITÉCNICA SUPERIOR DE CÓRDOBA GRADO DE INGENIERÍA INFORMÁTICA CURSO 2013/14 ASIGNATURA: INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES

Transcripción

1 ESCUELA POLITÉCNICA SUPERIOR DE CÓRDOBA GRADO DE INGENIERÍA INFORMÁTICA CURSO 2013/14 ASIGNATURA: INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES DATOS DE LA ASIGNATURA Denominación: INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES Código: Plan de estudios: GRADO DE INGENIERÍA INFORMÁTICA Denominación del módulo al que pertenece: OBLIGATORIO ESPECIALIDAD COMPUTACIÓN Materia: INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES Carácter: OBLIGATORIA Duración: PRIMER CUATRIMESTRE Créditos ECTS: 6 Horas de trabajo presencial: 60 Porcentaje de presencialidad: 40% Horas de trabajo no presencial: 90 Plataforma virtual: Curso: DATOS DEL PROFESORADO Nombre: HERVAS MARTINEZ, CESAR Centro: ESCUELA POLITÉCNICA SUPERIOR Departamento: INFORMÁTICA Y ANÁLISIS NUMÉRICO Área: CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIA Ubicación del despacho: EDIFICIO EINSTEIN, 3ª PLANTA ma1hemac@uco.es Teléfono: _ Nombre: GUTIÉRREZ PEÑA, PEDRO ANTONIO Centro: ESCUELA POLITÉCNICA SUPERIOR Departamento: INFORMÁTICA Y ANÁLISIS NUMÉRICO Área: CIENCIA DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIA Ubicación del despacho: EDIFICIO EINSTEIN, 3ª PLANTA pagutierrez@uco.es Teléfono: DATOS ESPECÍFICOS DE LA ASIGNATURA REQUISITOS Y RECOMENDACIONES Requisitos previos establecidos en el plan de estudios ninguno Recomendaciones Conocimientos sólidos de programación, matemáticas y estadistica Tener aprobadas las asignaturas de Introducción al Aprendizaje Automático y Metaheurísticas de tercer curso INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES 1/6 Curso 2013/14

2 COMPETENCIAS CB4 CTEC4 CTEC5 CTEC7 Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado Capacidad para conocer los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes o entornos inteligentes Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos OBJETIVOS Poder implementar modelos de clasificación binaria y multiclase utilizando herramientas y lenguajes de programación. Desarrollar técnicas de clasificación y regresión utilizando modelos no lineales basados en: Redes Neuronales Evolutivas y redes entrenadas mediante retropropagación del error de diferentes tipologías Redes Neuronales Sigmoides, Unidades Producto, de base radial e hibridas Redes Recurrentes Modelos asociados a las maquinas de soporte vectorial CONTENIDOS 1. Contenidos teóricos Bloque 1 Redes Neuronales Sigmoides, RBF, unidades producto e híbridas Redes Neuronales Evolutivas. Algoritmos Híbridos para Redes Neuronales - Bloque 2 Redes Neuronales Recurrentes Aplicaciones en Series Temporales - Bloque 3 Introducción a las maquinas de vectores soporte 2. Contenidos prácticos Práctica 1 INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES 2/6 Curso 2013/14

3 Programación de una red neuronal MLP - Práctica 2 de NNEP Práctica de aprendizaje automático sobre clasificación utilizando redes neuronales MLP, RBF, UP e híbridas Práctica 3 de WEKA Práctica de aprendizaje automático sobre clasificación utilizando redes neuronales recurrentes - Práctica 4 de WEKA y libsvm Práctica de aprendizaje automático sobre clasificación utilizando máquinas de vectores soporte METODOLOGÍA Aclaraciones generales sobre la metodología y adaptaciones metodológicas para los alumnos a tiempo parcial Actividades de evaluación Además del examen de la asignatura, algunas de las sesiones presenciales de laboratorio se dedicarán a la defensa de los trabajos que versarán sobre las tecnologías descritas en los objetivos. Durante las clases prácticas, el profesor controlará que los alumnos han comprendido las tecnologías abordadas. El objetivo fundamental de estas clases consiste en la realización de ejercicios utilizando las plataformas WEKA y NNEP, cuyo enunciado estará previamente a disposición del alumno en la página web de la asignatura. Lecciones magistrales En estas sesiones se presentarán los conceptos de cada tema a la par que se desarrollarán ejemplos que ayuden al alumno a comprender y clarificar los conceptos. Durante las clases teóricas el profesor propondrá y realizará algunos ejercicios prácticos, que complementen la teoría abordada. Actividades presenciales Actividad Grupo Grupo completo mediano Total Actividades de evaluación Exposición grupal 4-4 Laboratorio Lección Magistral Tutorias 2-2 Total horas: INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES 3/6 Curso 2013/14

4 _ Actividades no presenciales Actividad Total Búsqueda de información 4 Consultas bibliográficas 6 Estudio 70 Problemas 10 Total horas: 90 MATERIAL DE TRABAJO PARA EL ALUMNADO Dossier de documentación - Ejercicios y problemas - Manual de la asignatura - Tipos de trabajos a realizar - Aclaraciones: Todo el material se subirá a la plataforma Moodle EVALUACIÓN Instrumentos Competencias Pruebas de respuesta corta Resolución de problemas Trabajos y proyectos CB4 x x x CTEC4 x x x CTEC5 x x x CTEC7 x x x Total (100%) 30% 20% 50% Nota min.(*) (*) Nota mínima necesaria para el cálculo de la media Periodo de validez de las calificaciones parciales: tanto para la parte de teoría como para la práctica el periodo de validez terminará en septiembre del mismo año Aclaraciones generales sobre la evaluación y adaptaciones metodológicas para los alumnos a tiempo parcial: La evaluación de la asignatura se divide en dos, parte práctica y parte teórica (Teoría 50% + Práctica 50%). Para aprobar la asignatura es necesario obtener al menos 5 sobre 10 puntos en la parte de prácticas y 5 sobre 10 puntos en la parte de teoría. De esta forma, se podrá compensar la teoría con la práctica, pero siempre será necesario sumar un mínimo 5 sobre 10 puntos en el total de la asignatura. En caso contrario, la asignatura se considera suspensa. Si se aprueba solo la teoría o solo la práctica, en ambos casos con un 5 sobre 10 puntos, la nota correspondiente se guarda hasta la convocatoria de septiembre. La parte de teoría (50% de la nota) se evaluará con un examen final teórico que estará compuesto de: - Pruebas de respuesta corta (30%). INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES 4/6 Curso 2013/14

5 - Resolución de problemas (20%) La parte de prácticas (50% de la nota) se evaluará mediante la realización y defensa de un trabajo libre de entre los propuestos por el profesor.. Los alumnos repetidores que ya hayan aprobado lel trabajo de prácticas (aportando documentación o justificación del profesor anterior), no tendrán que volver a realizarlas, siendo la nota asignada en prácticas la que obtuviera en su momento. Si tendrán que presentarse al examen final teórico. Valor de la asistencia en la calificación final: Para aprobar la parte práctica será necesario asistir a un mínimo del 80% de las sesiones prácticas. Criterios de calificación para la obtención de MATRICULA DE HONOR: ademas de las calificaciones teorico practicas se tendrá en cuenta la actitud del alumno en clase BIBLIOGRAFÍA 1. Bibliografía básica: Bibliografía básica: Tom M. Mitchell. Machine Learning. McGraw-Hill, Ian H. Witten, Eibe Frank. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufmann, Jiawei Han and Micheline Kamber. Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers, Basilio Sierra Araujo. Aprendizaje Automático: conceptos básicos y avanzados. Aspectos prácticos utilizando el software WEKA. Pearson Education. Prentice Hall Saso Dzeroski and Nada Lavrac: Relational Data Mining. Springer Verlag David Aha: Lazy Learning. Kluwer Academics Publishers 2. Bibliografía complementaria: C. M. Bishop, Pattern recognition and machine learning, Springer, INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES 5/6 Curso 2013/14

6 Alpaydin, E Introduction to Machine Learning, 2Ed. The MIT Press. R. Duda, P.E. Hart, D.G. Stork. Pattern Classification. Wiley J. Hernández-Orallo, M.J. Ramírez, C. Ferri. Introducción ala Mineríade Datos. Pearson Educación L. Kuncheva. Combining Pattern Classifiers. Wiley S. Sharma. Applied Multivariate Techniques. Wiley Hastie, T. and Tibshirani, R. and Friedman The elements of statistical learning: data mining, inference, and prediction. Springer. A. Webb. Statistical Pattern Recognition. Wiley Software WEKA: CRITERIOS DE COORDINACIÓN - Actividades conjuntas: conferencias, seminarios, visitas... - Fecha de entrega de trabajos INTRODUCCIÓN A LOS MODELOS COMPUTACIONALES 6/6 Curso 2013/14