Descripción y contextualización de la asignatura

El aprendizaje automático, en muchos casos, consiste fundamentalmente en el aprendizaje de reglas a partir de los datos, y por eso muchas de las técnicas de aprendizaje automático son utilizadas en la actualidad en la Minería de Datos.

La incorporación de agentes de decisión inteligente, redes neuronales, sistemas expertos, algoritmos genéticos y autómatas programables para optimización de sistemas de producción es una tendencia activa en el ambiente industrial de países con alto desarrollo tecnológico.

Todo proceso industrial es evaluado por la calidad de su producto final, por ejemplo,esto hace de la etapa de control de calidad una fase crucial del proceso. Los mecanismos utilizados para establecer la calidad de un producto varían dependiendo de los parámetros que tengan relevancia en el mismo.

Convocatoria ordinaria: orientaciones y renuncia

La puntuación final de la convocatoria ordinaria de esta asignatura vendrá dada por el promedio ponderado de las actividades descritas en esta guía docente en su sección "Herramientas y porcentajes de calificación". Para aplicar la ponderación es necesario haberse presentado y haber aprobado el examen final tipo problema a desarrollar.

La no presentación al examen final implica la renuncia a la convocatoria.

Se debe comunicar la renuncia a la evaluación continua (Incluso habiéndose iniciado) para lo que dispondrá de un plazo de 9 semanas.

En el caso de que las condiciones sanitarias impidan la realización de una actividad docente y/o evaluación presencial, se activará una modalidad no presencial de la que los/las estudiantes serán informados puntualmente.

Convocatoria extraordinaria: orientaciones y renuncia

En la convocatoria extraordinaria se realizará una única prueba final cuyo valor será del 100% de la asignatura.

Para renunciar a la convocatoria extraordinaria será suficiente con no presentarse a la misma.

En el caso de que las condiciones sanitarias impidan la realización de una actividad docente y/o evaluación presencial, se activará una modalidad no presencial de la que los/las estudiantes serán informados puntualmente.

Temario

Introducción, Clasificación, Regresión, Probabilidad

Esquema general del aprendizaje. Reconocimiento de patrones.

Áreas relacionadas con el aprendizaje.

Aprendizaje y estadística. Agrupamiento Borroso.

Clasificador paramétrico: Bayes.

Clasificador no paramétrico: ventana de Parzen

Combinación de clasificadores: No entrenables y entrenables.

Aplicación práctica. Planificación y Scheduling. Ejercicio del curso.



Elementos de una red neuronal. Ventajas de las redes neuronales.

El proceso de aprendizaje. Tipos de aprendizaje.

Redes hacia adelante (Feed-Forward).

Redes competitivas.

Ejemplo.



Introducción, SVM para clasificación: caso separable y no separable.

Resolución de un problema biclase con funciones núcleo. Problemas multiclase.

Aplicación práctica: Etapas de procesamiento, entrenamiento y validación.



Con algoritmos genéticos: AG frente a otras técnicas, Aplicación de AG, Aplicación de AG.

-Mediante arboles decisión: Algoritmo ID3, Árbol decisión Fuzzy. Aplicación práctica.

-Razonamiento basado en casos: Estructura principal y problemática. Ciclo básico de un CBR, Estructura de los casos, Recuperar, Reutilizar, Revisar y Recordar. Aplicación Práctica.

-Aprendizaje por refuerzo. Aprendizaje y refuerzo, Asignación de crédito temporal,Funciones de Valor, Analisis de componentes y Conclusiones.

Bibliografía

Materiales de uso obligatorio

Apuntes clase profesor.



Programa WEKA.



Programa Matlab.

Bibliografía básica

- Inteligencia Artificial,Técnicas, métodos y aplicaciones, José T. Palma Méndez y Roque Martín Morales. Ed.Mc Graw Hill.2008

- Simulación.Métodos y aplicaciones,2ªEdición. David Ríos Insua, et all.Ed.Ra-Ma.2008

"Introducción a la minería de datos". J. Hernández Orallo, M. J. Martínez Quintana, C. Ferri Ramírez. Ed. Pearson Prentice Hall, 2004.

• "Machine Learning". Tom M. Mitchell. Ed. McGraw-Hill, 1997.

• "Data Mining" I. H. Witten, E. Frank. Ed. Morgan Kaufmann, 2000

Bibliografía de profundización

- Optimización Inteligente,Técnicas de Inteligencia computacional para Optimización.Gonzalo Joya Caparrós et all. Ed.Universidad de Málaga 2007



- Aplicacion de las redes neuronales artificiales a la regresión. Quintin Martín Martín, Yanira del Rosario de Paz Santana.Ed. La Muralla 2007.



- Aplicaciones de las redes neuronales artificiales a la estadistica. Mª Luisa Pérez Delgado, Quintin Martín Martín. Ed.La Muralla.2007



- Técnicas de Análisis Multivariante de Datos . Aplicaciones con SPSS.Cesar Perez.Ed.Prentice Hall.2005



- Aprendizaje automatico:Conceptos básicos y avanzados,aspectos prácticos utilizando el software WE.Basilio Sierra.Ed.Pearson.2006



- Aprendizaje automatico.Gonzalo Pajares Martinsanz.Ed RA-MA.2010



- Modelado y simulación. Aplicación a procesos logísticos. ANTONI GUASCH.

Revistas

- BEIO.(Boletín de Estadística e IO)



- Aprendizaje automático de la máquina(Springer link)Mensual.

Enlaces

Machine learning and systems engineering [Recurso electrónico] / Sio-Iong Ao, Burghard Rieger, Mahyar A. Amouzegar [editors].







Impreso Springer, Dordrecht ; New York : c2010.



- http://dx.doi.org/10.1007/978-90-481-9419