Download Data Mining y Aprendizaje Automático - U-tad

CENTRO UNIVERSITARIO DE TECNOLOGÍA Y ARTE DIGITAL
PLANIFICACIÓN DE LA DOCENCIA
UNIVERSITARIA
GUÍA DOCENTE
Datamining y Aprendizaje Automático
1. DATOS DE IDENTIFICACIÓN DE LA
ASIGNATURA.
Grado en Ingeniería de Desarrollo de
Contenidos Digitales
Centro Universitario de Tecnología y Arte
Digital
Título:
Facultad:
Departamento/Instituto:
Materia:
Sistemas Inteligentes
Denominación de la asignatura:
Datamining y Aprendizaje Automático
Código:
0048033
Curso:
3
Semestre:
1
Tipo de asignatura (básica, obligatoria u optativa):
Optativa
Créditos ECTS:
6
Modalidad/es de enseñanza:
Presencial
Lengua vehicular:
Profesor/a:
Castellano
Dr. José Mª Font Fernández
Dr. Federico Castanedo Sotela
Dr. José Mª Font Fernández
Dr. Federico Castanedo Sotela
Grupos:
IDCD3
Despacho:
Sala de profesores
jose.font@live.u-tad.com
federico.castanedo@live.uE-mail:
tad.com
Equipo docente:
Teléfono:
Ext.
916402811
Página web:
113
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 curriculum.
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.
RESULTADOS DE APRENDIZAJE
RELACIONADOS CON LAS COMPETENCIAS
ESPECÍFICAS
CE16 - Conocer y aplicar las Desarrollar soluciones empleando técnicas
herramientas necesarias para el de sistemas inteligentes, para aquellos
almacenamiento, procesamiento y problemas en los que ésto aporte ventajas
acceso a los sistemas de información
respecto al uso de otras técnicas más
convencionales.
CE19 - Adquirir los fundamentos de las
diversas ramas de especialización Emplear técnicas de inteligencia artificial
relacionadas con el área del desarrollo para optimizar soluciones, incorporar las
de contenidos digitales y software.
nociones de aprendizaje automático y
COMPETENCIAS ESPECÍFICAS
manejar información
sistema software.
compleja
en
un
Conocer el estado de la técnica en sistemas
inteligentes.
3
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. CRONOGRAMA
UNIDADES DIDÁCTICAS /
TEMAS
Tema 1. Introducción a la asignatura
PERÍODO
TEMPORAL
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
Sesiones 8 – 10
Tema 5. Árboles de decisión y árboles de
comportamiento.
Sesiones 11 – 20
Tema 6. Redes de Neuronas Artificiales.
Sesiones 21 - 30
5
7. MODALIDADES ORGANIZATIVAS Y MÉTODOS DE
ENSEÑANZA
MODALIDAD
ORGANIZATIVA
Clases teóricas
MÉTODO DE
ENSEÑANZA
Lección magistral
Estudio de casos
Resolución de
Seminarios y
ejercicios y
talleres
problemas
Aprendizaje
basado en
problemas
Aprendizaje
orientado a
Clases prácticas proyectos
Practicas
externas
Aprendizaje
orientado a
proyectos
Aprendizaje
basado en
Tutorías
problemas
Actividades de
evaluación
Estudio y
trabajo en
Aprendizaje
grupo
cooperativo
Estudio y
trabajo
autónomo,
individual
Estudio de casos
Resolución de
ejercicios y
problemas
Aprendizaje
basado en
problemas
Aprendizaje
orientado a
proyectos
COMPETENCIAS
HORAS
TRABAJO TOTAL DE
RELACIONADAS PRESENCIALES AUTÓNOMO HORAS
CE13, CE16,
14
1
15
CE19
CE13, CE16,
CE19
CE13, CE16,
CE19
CE13, CE16,
CE19
CE13, CE16,
CE19
CE13, CE16,
CE19
0
0
0
23
0
23
8
0
8
8
0
8
8
0
8
1
14
15
0
75
75
CE13, CE16,
CE19
6
8. SISTEMA DE EVALUACIÓN
ACTIVIDAD DE
EVALUACIÓN
CRITERIOS DE EVALUACIÓN
VALORACIÓN RESPECTO A
LA CALIFICACIÓN FINAL
(%)
Práctica 1. Modelos
Bayesianos
Evaluación de 0 a 10. Entrega por blackboard y
evaluación por parte del profesor sin
necesidad de defensa presencial.
15%
Práctica 2. Clustering
Evaluación de 0 a 10. Entrega por blackboard y
evaluación por parte del profesor sin
necesidad de defensa presencial.
15%
Práctica 3: Árboles
de decisión
Evaluación de 0 a 10. Entrega por blackboard y
evaluación por parte del profesor sin
necesidad de defensa presencial.
15%
Práctica 4: Redes de
Neuronas
Evaluación de 0 a 10. Entrega por blackboard y
evaluación por parte del profesor sin
necesidad de defensa presencial.
25%
Examen final de la
asignatura
Evaluación de 0 a 10. Es necesario obtener al
menos un 5 en el examen para aprobar la
asignatura.
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
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: 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 (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. MATERIAL, SOFTWARE Y HERRAMIENTAS
NECESARIAS
TIPOLOGÍA DEL AULA:
Aula de ordenadores con ordenador para el profesor conectado a proyector.
MATERIALES:


Pizarra blanca
Proyector
SOFTWARE:



Paquete estadístico R
Eclipse IDE for Java EE Developers (https://www.eclipse.org/downloads/)
Weka (http://www.cs.waikato.ac.nz/ml/weka/downloading.html)
9