Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 30 vistas

    06MAIR Aprendizaje No Supervisado

    Cargado por

    jltvrhapsody1
    Esta asignatura se centra en el aprendizaje automático no supervisado, incluyendo técnicas como el análisis de agrupamientos, reducción de dimensionalidad y aprendizaje semi-supervisado. Los estudiantes aprenderán los fundamentos teóricos y herramientas prácticas de estas áreas mediante clases expositivas, prácticas de laboratorio, resolución de problemas y diseño de proyectos. La asignatura otorga 6 créditos ECTS y se imparte en modalidad online.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    06MAIR Aprendizaje No Supervisado

    Cargado por

    jltvrhapsody1
    30 vistas3 páginas
    Esta asignatura se centra en el aprendizaje automático no supervisado, incluyendo técnicas como el análisis de agrupamientos, reducción de dimensionalidad y aprendizaje semi-supervisado. Los estudiantes aprenderán los fundamentos teóricos y herramientas prácticas de estas áreas mediante clases expositivas, prácticas de laboratorio, resolución de problemas y diseño de proyectos. La asignatura otorga 6 créditos ECTS y se imparte en modalidad online.

    Descripción original:

    06MAIR Aprendizaje No Supervisado

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Esta asignatura se centra en el aprendizaje automático no supervisado, incluyendo técnicas como el análisis de agrupamientos, reducción de dimensionalidad y aprendizaje semi-supervisado. Los estudiantes aprenderán los fundamentos teóricos y herramientas prácticas de estas áreas mediante clases expositivas, prácticas de laboratorio, resolución de problemas y diseño de proyectos. La asignatura otorga 6 créditos ECTS y se imparte en modalidad online.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    30 vistas3 páginas

    06MAIR Aprendizaje No Supervisado

    Cargado por

    jltvrhapsody1
    Esta asignatura se centra en el aprendizaje automático no supervisado, incluyendo técnicas como el análisis de agrupamientos, reducción de dimensionalidad y aprendizaje semi-supervisado. Los estudiantes aprenderán los fundamentos teóricos y herramientas prácticas de estas áreas mediante clases expositivas, prácticas de laboratorio, resolución de problemas y diseño de proyectos. La asignatura otorga 6 créditos ECTS y se imparte en modalidad online.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 3

    FICHA DE ASIGNATURA

    Título: Aprendizaje no supervisado

    Descripción:

    Esta asignatura ayuda al estudiante a profundizar en el conocimiento específico de la subárea del


    aprendizaje automático no supervisado. Más concretamente, el alumno adquirirá una visión detallada de
    los aspectos teóricos del aprendizaje no supervisado en diferentes escenarios según el tipo de datos que
    se maneja. Tendrá una especial relevancia el análisis de agrupamientos o clustering. También se explorará
    la subárea intermedia del aprendizaje semi-supervisado, a medio camino entre el mundo supervisado y
    el no supervisado. Desde el punto de vista práctico se ofrecen las herramientas para su resolución. En
    concreto, se conocerán diferentes técnicas que se utilizan para resolver cada uno de los problemas
    estudiados en la asignatura.

    Carácter: Obligatoria

    Créditos ECTS: 6

    Contextualización: En el aprendizaje automático, se modelan problemas reales mediante técnicas


    matemático-computacionales, y generalmente se diferencian dos tipos de problemas: los predictivos, que
    buscan aprender un modelo que anticipe el valor de cierta variable por el momento desconocido, y los
    descriptivos, que tratan de modelar la estructura del problema partiendo de las (di)similitudes entre los
    ejemplos disponibles. Esta asignatura explora esta segunda subárea: el aprendizaje no supervisado.

    Modalidad: Online

    Temario:

    • Introducción: Minería de datos, Aprendizaje No Supervisado vs Aprendizaje Supervisado,


    Medidas de distancia.

    • Análisis de agrupamientos o clustering: Basado en centroides (k-means, k-medoids), Jerárquico,


    Espectral, Basado en densidades (Mean-shift, DBSCAN), basado en distribuciones (Mixtura de
    gaussianas, algoritmo Expectation-Maximization).

    • Otras técnicas de análisis de agrupamiento: Biclustering.

    • Aprendizaje semi-supervisado: Expectation-Maximization, basado en grafos, Co-training.

    • Reducción de dimensionalidad: Principal Component Analysis, Independent Component


    Analysis.

    • Otras técnicas no supervisadas: Análisis de grafos (Algoritmo Page Rank), Reglas de asociación
    (Algoritmo A priori).

    • Clustering profundo: Autoencoders variacionales y aprendizaje adversarial para clustering.


    Competencias Específicas:

    ⇨ CE1. Conocer los fundamentos de la ingeniería de datos (modelado, ingesta, almacenamiento,


    procesado, análisis y visualización), las técnicas de rastreo, procesamiento, indexación y
    recuperación de información.

    ⇨ CE2. Conocer y familiarizarse con el uso de las librerías y herramientas más comunes en la
    industria.

    ⇨ CE5. Dominar técnicas avanzadas en el ámbito del aprendizaje automático y optimización.

    ⇨ CE6. Capacidad para la abstracción de información a partir de big data mediante algoritmos de
    inteligencia artificial.

    ⇨ CE8. Capacidad para aplicar metodologías de diseño, implementación y testeo de frameworks de


    aprendizaje.
    ⇨ CE9. Evaluar de manera equitativa diferentes soluciones basadas en inteligencia artificial y elección
    de la más efectiva en base a ciertos criterios.
    ⇨ CE10. Interpretar los resultados de evaluación obtenidos de cualquier modelo predictivo o algoritmo
    basado en inteligencia artificial.
    ⇨ CE11. Consideración del rol de la inteligencia artificial en el mundo actual.
    ⇨ CE12. Desarrollar y aplicar técnicas de Inteligencia artificial para la resolución de problemas en el
    mundo laboral.
    ⇨ CE15. Capacidad para seguir los avances tecnológicos en el área de la inteligencia artificial.

    Actividades Formativas:

    Actividad Formativa Horas Presencialidad

    Clases expositivas 40 0%

    Clases prácticas sobre


    laboratorio informático. Estudio
    de casos, resolución de 30 0%
    problemas y diseño de
    proyectos

    Tutorías online 10 30%

    Trabajo autónomo 70 0%

    Metodologías docentes:
    Lección magistral

    Estudio de casos
    Resolución de problemas

    Simulaciones

    Laboratorio Informático Virtual

    Seguimiento

    Sistema de Evaluación:

    Sistemas de evaluación Ponderación mínima Ponderación máxima


    Evaluación de porfolio. Informe
    sobre resolución de problemas o 20% 30%
    estudio de casos
    Evaluación del porfolio. Informe
    10% 30%
    sobre diseño de proyectos
    Participación en grupos de debate 0% 10%
    Evaluación de la prueba 40% 60%

    Bibliografía:

    Hastie, T., Tibshirani, R., Friedman, J. (2008). The Elements of Statistical: Data Mining, Inference, and
    Prediction. 2ª edición. Springer.

    Aggarwal, C. C., Reddy, C. K. (Eds.) (2014). Data clustering: algorithms and applications. Chapman &
    Hall/CRC.

    Witten, I. H., Frank, E., Hall, M. A., Pal, C. J. (2016). Data Mining: Practical machine learning tools and
    techniques. 4ª edición. Morgan Kaufmann.

    También podría gustarte