Descripción y contextualización de la asignatura

El objetivo del curso es capacitar al alumno en la aplicación y el diseño de paradigmas de aprendizaje automático para afrontar problemas de diferentes características de una manera eficiente. El alumno adquirirá la capacidad de aplicar las técnicas propuestas en la bibliografía más adecuadas al problema a resolver y a modificar o diseñar nuevos paradigmas que se adapten mejor a la resolución del problema teniendo en cuenta las restricciones que se derivan de tener que ser aplicados en el ámbito de dispositivos empotrados.



Para ello, se estudiarán las características de algoritmos actuales desde diferentes puntos de vista: eficacia, eficiencia, capacidades explicativas, restricciones de tiempo y espacio, estabilidad, etc. Se presentarán diferentes esquemas de combinación de algoritmos con el objetivo de mejorar el rendimiento de los mismos y se propondrán diferentes metodologías a la hora de comparar el rendimiento de dichos sistemas. A lo largo del curso, se presentarán algunas aplicaciones con las que el grupo investigador ha trabajado en el área del aprendizaje automático.

Convocatoria ordinaria: orientaciones y renuncia

El curso se evaluará teniendo en cuenta los siguientes apartados: asistencia y participación, actividades prácticas (individuales/grupales) y examen de conocimientos mínimos.

Convocatoria extraordinaria: orientaciones y renuncia

Mismas orientaciones que en la convocatoria ordinaria

Temario

Tema 1 – Introducción

Inteligencia empotrada

Aprendizaje automático. Fases. Tipos de aprendizaje. Clasificación supervisada y no supervisada



Tema 2 – Paradigmas de aprendizaje supervisado

Teoría bayesiana de la decisión. Naive-Bayes. Métodos paramétricos y no paramétricos

Clasificación supervisada:

Clasificadores basados en kernels, kNN o clasificadores basados en vecindad

Árboles de clasificación

Redes neuronales artificiales

Support Vector Machine



Tema 3 – Combinación de clasificadores

Introducción y motivación

Taxonomías: en cuanto a forma y en cuanto a objetivo

Técnicas para generar diferentes clasificadores individuales

Ejemplos: Bagging, CTC, Boosting, Random Subspace Method



Tema 4 – Evaluación – Validación en el aprendizaje supervisado

Evaluación y validación de un clasificador, de un algoritmo (estadísticos, Dieterich, Demsar...)



Tema 5 – Selección de características

Introducción y motivación

Métodos Filter

Métodos Wrapper



Tema 6 – Paradigmas de aprendizaje no supervisado

Técnicas de agrupamiento ó clustering

- Partitivos, jeráquicos

- Ejemplos: k-Means, SAHN, DBSCAN

Evaluación y validación en clustering

Otras técnicas de aprendizaje no supervisado



Tema 7 – Trabajos – Prácticas

Desarrollo de una práctica real en el contexto de alguna de las aplicaciones explicadas en el curso.

Bibliografía

Materiales de uso obligatorio

No se contempla el uso de materiales obligatorios

Bibliografía básica

Camastra F., Vinciarelli A.: Machine Learning for Audio, Image and video Analysis. Theory and Applications. Springer-Verlag, 2008.



ERCIM NEWS: European Research Consortium for Informatics and Mathematics, Special: Embedded Intelligence, N. 67, 2006.



Hernández J., Ramírez M.J., Ferri C.: Introducción a la Minería de Datos. Pearson Prentice Hall, 2004.



Hastie T., Tibshirani R. Friedman J.: The Elements of Statistical Learning. Data Mining, Inference and Prediction. Springer-Verlag, 2001.



Kittler J., Roli F.: Lecture Notes in Computer Science Vol. 1857. Multiple Classifier Systems: 1st. Inter. Workshop, MCS 2000, Cagliari, Italy, Springer,2000.



Witten I.H., Frank E.: Data Mining. Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 2005.

Bibliografía de profundización

B. Sierra (coordinador): Aprendizaje Automático: conceptos básicos y avanzados. Aspectos prácticos utilizando el software WEKA, Pearson Prentice Hall, 2006.







L. Escudero: Reconocimiento de Patrones. Ed: Paraninfo ISBN: 84-283-0898-5, 1977.







B. V. Dasarathy: Nearest Neighbor(NN) Norms: NN Pattern Classification Techniques. Ed: IEEE Computer Society Press., 1991.







R.P. Lippmann: An Introduction to Computing with Neural Nets. IEEE ASSP, pp. 4-22, April 1987.







D. E. Rumelhart, G. E. Hinton, R. J. Williams: Learning Internal Representations by Error Propagation. D.E. Rumelhart, J. MacClelland (Eds.), Parallel Distributed Processing: Explorations in the Microstructure of Cognition, vol. 1: Foundations. The Massachusetts Institute of Technology, Cambridge, MA, USA, 1986.







J. R. Quinlan: Induction of Decision Trees. Machine Learning, 1, pp. 81-106, 1986.







A.K. Jain, R.C. Dubes: Algorithms for clustering data. Prentice-Hall, Inc., 1988.







H. Kargupta, P. Chan(ed.): Advances in Distributed and Parallel Knowledge Discovery. AAAI Press / The MIT Press, California, 2000.







Y. Lu: Machine Printed Character Segmentation-An overview. Pattern Recognition, Vol. 28, No. 1, pp. 67-80, 1995.







S. Impedovo, L. Ottaviano, S. Occhinegro: Optical Character Recognition - A Survey. Character & Handwriting Recognition, Ed: P.S.P. Wang, pp. 1-24, World Scientific series in Computer Science, Vol. 30, 1991.







T. Pavlidis: Structural Pattern Recognition. Ed: Springer-Verlag, Berlín 1977.

Revistas

Pattern Recognition



Pattern Recognition Letters

Enlaces

http://www.cs.waikato.ac.nz/ml/weka/index.html



http://en.wikipedia.org



http://www.csie.ntu.edu.tw/~cjlin/libsvm/



https://es.mathworks.com/support/learn-with-matlab-tutorials.html