Resultados del aprendizaje:

- Conocer las bases teórico-prácticas en las que se sustenta el aprendizaje

automático

1. Fundamentos de Aprendizaje Automático

- PAC learning, VC

- Funciones de pérdida

- Minimización del riesgo empírico/ Minimax del riesgo



2. Métodos basados en kernels

- Modelos lineales para clasificación



3. Clasificación débilmente supervisada

- Clasificación semi-supervisada

- Clasificación positivamente etiquetada

- Clasificación con proporción de etiquetas

- Aprendizaje a partir de multitud de etiquetas (crowd learning)

- Miscelanea: otros problemas débilmente supervisados



4. Clasificación supervisada no-estándar

- Clasificación multi-etiqueta

- Clasificación multi-dimensional

- Clasificación jerárquica

- Clasificación con etiquetas estructuradas

En esta asignatura se utilizan diversas metodologías de enseñanza. Se impartirán clases expositivas en las que el/la estudiante tendrá posibilidad de participar. En dichas clases el docente expondrá los conceptos principales que quiera desarrollar durante el tema y presentará diversos problemas que podrán ser resueltos con los conceptos explicados. Será objetivo del alumnado resolver dichos problemas tanto de manera individual como en grupo con la supervisión del docente.



En las prácticas de laboratorio, se seguirá reforzando el aprendizaje basado en problemas. Se presentarán diversos problemas que el estudiante deberá resolver utilizando diferentes algoritmos. Para ello utilizará código ya existente o deberá desarrollar nuevos algoritmos que le permitan encontrar la solución al problema.



Para facilitar y asegurar el aprendizaje del alumnado, se hará un seguimiento tanto de las prácticas de aula como de las de laboratorio. Se proporcionará feed-back en base a criterios de evaluación previamente establecidos, de manera que los y las estudiantes tengan la oportunidad de tomar conciencia de su aprendizaje, así como de las formas de mejorarlo.

La evaluación de esta asignatura será continua y constará de:



1. Pruebas a lo largo del período formativo: 60% de la nota de la asignatura. Se realizará a través de:

- Trabajos personales para evaluar los conceptos trabajados en el aula.

- Trabajos personales y en grupo para evaluar la resolución de problemas expuestos en el aula y en las prácticas de laboratorio.



2. Prueba escrita en la fecha oficial establecida para la convocatoria de exámenes: 40% de la nota de la asignatura. Consistirá en una prueba escrita en la que se evaluarán los conceptos teórico-prácticos adquiridos durante la asignatura.



La calificación final se obtendrá de la suma de las calificaciones previas, pero es necesario sacar un mínimo de 4 sobre 10 en las dos pruebas anteriormente descritas.



El alumnado tendrá derecho a ser evaluado mediante el sistema de evaluación final, independientemente de que haya participado o no en el sistema de evaluación continua. Para ello, el alumnado deberá presentar por escrito al profesorado responsable de la asignatura la renuncia a la evaluación continua, para lo que dispondrán de un plazo de 9 semanas a contar desde el comienzo del cuatrimestre, de acuerdo con el calendario académico del centro. En el caso de que el alumnado no entregue ninguna de las pruebas de la evaluación continua en las primeras 9 semanas, se entenderá que opta por la evaluación final aunque no hay entregado dicho escrito al profesorado.



Quienes opten por ser evaluados mediante el sistema de evaluación final, podrán acreditar el logro de los resultados de aprendizaje de la asignatura realizando una prueba escrita en la fecha oficial establecida para la convocatoria de exámenes que valdrá el 100% de la nota.



Tanto en la modalidad de evaluación continua como en la modalidad de evaluación final, si no se presentan a la prueba escrita final, se considerará que han renunciado a la convocatoria y su calificación será de “no presentado/a”.

Ninguno.

Bibliografía básica

Denis, F. (1998, October). PAC learning from positive statistical

queries. In International conference on algorithmic learning theory

(pp. 112-126). Springer, Berlin, Heidelberg.



Elkan, C., & Noto, K. (2008, August). Learning classifiers from only

positive and unlabeled data. In Proceedings of the 14th ACM SIGKDD

international conference on Knowledge discovery and data mining (pp.

213-220).



Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009).

The elements of statistical learning: data mining, inference, and

prediction (Vol. 2, pp. 1-758). New York: springer.



Hernández-González, J., Inza, I., & Lozano, J. A. (2016). Weak

supervision and other non-standard classification problems: a

taxonomy. Pattern Recognition Letters, 69, 49-55.



Jaskie, K., & Spanias, A. (2019, July). Positive and unlabeled

learning algorithms and applications: A survey. In 2019 10th

International Conference on Information, Intelligence, Systems and

Applications (pp. 1-8). IEEE.





Soleimani, H., & Miller, D. J. (2017). Semisupervised, multilabel,

multi-instance learning for structured data. Neural computation,

29(4), 1053-1102



Van Engelen, J. E., & Hoos, H. H. (2020). A survey on semi-supervised

learning. Machine Learning, 109(2), 373-440.



Varma, P., Sala, F., He, A., Ratner, A., & Ré, C. (2019, May).

Learning dependency structures for weak supervision models. In

International Conference on Machine Learning (pp. 6418-6427). PMLR.





Zhou, Z. H. (2018). A brief introduction to weakly supervised

learning. National science review, 5(1), 44-53.