Download Data Mining y Aprendizaje Automático - U-tad

CENTRO UNIVERSITARIO DE TECNOLOGÍA Y ARTE DIGITAL
PLANIFICACIÓN DE LA DOCENCIA
UNIVERSITARIA
GUÍA DOCENTE
Data mining y aprendizaje automático
1. DATOS DE IDENTIFICACIÓN DE LA ASIGNATURA.
Facultad:
Grado en Ingeniería en Desarrollo de
Contenidos Digitales
Centro Universitario de Tecnología y Arte
Digital (U-tad)
Departamento/Instituto:
Ingeniería
Materia:
Sistemas Inteligentes
Denominación de la asignatura:
Data mining y aprendizaje automático
Código:
0048033
Curso:
Tercero
Semestre:
Primero
Tipo de asignatura (básica, obligatoria u optativa):
Optativa
Créditos ECTS:
6
Modalidad/es de enseñanza:
Presencial
Lengua vehicular:
Español
Pablo Ramos Criado
Título:
Equipo docente:
Pablo Ramos Criado
Profesor/a:
Grupos:
Despacho:
Teléfono: 91 6402811
Ext. 113
Sala de profesores
pablo.ramos@live.u-tad.com
E-mail:
Página web: http://u-tad.blackboard.com
1
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 currículum.
Esta asignatura se integra horizontalmente con la otra asignatura del curso 3º perteneciente
al área de Inteligencia Artificial: Inteligencia Artificial y Aprendizaje 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. RESULTADOS DE APRENDIZAJE EN RELACIÓN
CON LAS COMPETENCIAS QUE DESARROLLA LA
ASIGNATURA.
COMPETENCIAS GENERALES
CG-1. Aprender a lo largo de la vida
mediante el estudio autónomo y la
formación continua
CG-12. Expresar el sentido crítico y
autocrítico y la capacidad de análisis
para la valoración de diferentes
alternativas
CG-15. Tener capacidad de
organización y planificación
CG-17. Demostrar habilidad para
analizar, sintetizar y recoger
información de diversas fuentes
COMPETENCIAS ESPECÍFICAS
CE-16. Conocer y aplicar las
herramientas necesarias para el
almacenamiento, procesamiento y
acceso a los sistemas de información
CE-19. Adquirir los fundamentos de las
diversas ramas de especialización
relacionadas con el área del desarrollo
de contenidos digitales y software.
RESULTADOS DE APRENDIZAJE
Desarrollar estrategias de formación
continua y autónoma para estar a la
vanguardia de las técnicas y procedimientos
de la profesión de un diseñador visual.
Analizar y valorar las diferentes altarnativas
con sentido crítico y autocrítico
Planificar y organizar el trabajo
Gestionar correctamente la información
analizando, sintetizando y recogiendo
información de diversas fuentes.
RESULTADOS DE APRENDIZAJE
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. CONTENIDO
Regresión lineal
Redes neuronales
Técnicas de clasificación y predicción
Técnicas basadas en el refuerzo
Boosting
Modelos ocultos de Márkov
6. CRONOGRAMA
UNIDADES DIDÁCTICAS / TEMAS
Regresión lineal
Redes neuronales
Técnicas de clasificación y predicción
Técnicas basadas en el refuerzo
Boosting
Modelos ocultos de Márkov
PERÍODO TEMPORAL
2 semanas
2 semanas
2 semanas
3 semanas
3 semanas
3 semanas
4
7. MODALIDADES ORGANIZATIVAS Y MÉTODOS DE
ENSEÑANZA
MODALIDAD
ORGANIZATIVA
MÉTODO DE
ENSEÑANZA
COMPETENCIAS
RELACIONADAS
HORAS
PRESENCIALES
TRABAJO
AUTÓNOMO
TOTAL DE
HORAS
Clases teóricas
Lección magistral
Estudio de casos
Resolución de
ejercicios y
problemas
Aprendizaje basado
en problemas
Aprendizaje
orientado a
proyectos
ce16,ce19
14.0
1.0
15.0
0
0
0.0
7.5
0
7.5
22.5
0
22.5
7.5
0
7.5
7.5
0
7.5
14.0
1.0
15.0
0
75.0
75.0
73.0
77.0
150.0
Seminarios y
talleres
Clases prácticas
Practicas
externas
Tutorías
Actividades de
evaluación
Estudio y
trabajo en
grupo
Estudio y
trabajo
autónomo,
individual
Aprendizaje
orientado a
proyectos
Aprendizaje basado
en problemas
ce16,ce19
ce16,ce19
ce16,ce19
Aprendizaje
cooperativo
Estudio de casos
Resolución de
ejercicios y
problemas
Aprendizaje basado
en problemas
Aprendizaje
orientado a
proyectos
ce16,ce19
5
8. SISTEMA DE EVALUACIÓN
ACTIVIDAD DE EVALUACIÓN
CRITERIOS DE EVALUACIÓN
VALORACIÓN RESPECTO A LA
CALIFICACIÓN FINAL (%)
Pruebas de
autoevaluación,
heteroevaluación o
coevaluación
Trabajos,
informes,
portfolios
Se valorará que el alumno
aplique correctamente los
20%
contenidos aprendidos
durante las clases teóricas.
Se valorará que el alumno
demuestre
de
forma
adecuada que maneja los
proyectos,
conceptos básicos y utiliza
50%
memorias,
correctamente
dichos
conceptos en las tareas
propuestas
Se valorará que el alumno
resuelva
de
forma
Prácticas o pruebas de correcta las pruebas o
30%
simulación real o ficticia
prácticas que se le
plantean relacionadas con
la asignatura.
9. BIBLIOGRAFÍA / WEBGRAFÍA
Bibliografía general
Bibliografía Básica:
Data Mining, Concepts and Techniques (3rd edition). Jiawei Han, Micheline Kamber
and Jian Pei. ISBN: 978-0-12-381479-1. Morgan Kaufmann - Elsevier.
Artificial Intelligence for Games (2nd edition). Ian Millinton. CRC Press.
Bayesian Computation with R. Jim Albert. Springer.
Bibliografía Recomendada:
Artificial Intelligence: A New Synthesis. Nils J. Nilsson. Morgan Kaufmann.
Introducción al análisis bayesiano. Gutiérrez Andrés.
Iniciación a la estadística bayesiana (Cuadernos de Estadística)
6