Ikaskuntzaren emaitzak:

- Ikaskuntza automatikoaren oinarri teoriko-praktikoak ezagutzea.

1. Ikaskuntza automatikoaren oinarriak

- PAC learning, VC

- Galera-funtzioak

- Arrisku enpirikoa minimizatzea/Arriskuaren minimax-a



2. Kerneletan oinarritutako metodoak

- Sailkapen eredu linealak





3. Modu ahulean gainbegiratutako sailkapena

- Sailkapen erdi-gainbegiratua

- Positiboki etiketatutako sailkapena

- Etiketen proportzioa duen sailkapena

- Etiketa askotan oinarritutako ikasketa (crowd learning)

- Nahasketa: modu ahulean gainbegiratutako beste arazo batzuk



4. Sailkapen gainbegiratu ez-estandarra

- Etiketa anitzeko sailkapena

- Sailkapen multidimentsionala

- Sailkapen hierarkikoa

- Etiketa egituratuak dituen sailkapena

Irakasgai honetan hainbat irakaskuntza-metodologia erabiliko dira. Gaiaren kontzeptuak azaltzeko klaseak emango dira eta ikasleek bertan parte hartzeko aukera izango dute.



Eskola horietan irakasleak gaian zehar garatu nahi dituen kontzeptu nagusiak azalduko ditu eta azaldutako kontzeptuekin ebatzi daitezkeen hainbat problema aurkeztuko ditu. Ikasleek bai banaka zein taldeka, problema horiek ebazteko behar diren oinarriak aztertu beharko ditu. Horretarako, irakaslearen gainbegirada izango du.



Laborategiko praktiketan, arazoetan oinarritutako ikaskuntza indartzen jarraituko da. Hainbat problema aurkeztuko dira, eta ikasleak algoritmo desberdinak erabiliz ebatzi beharko dituzte. Arazoari irtenbidea aurkitzeko, eskuragarri dagoen kodea erabiliko du edota algoritmo berriak garatu beharko ditu.



Ikasleen ikaskuntza errazteko eta bermatzeko, gelako eta laborategiko praktiken jarraipena etengabekoa izango da, aldez aurretik ezarritako ebaluazio-irizpideetan oinarrituta emango da feed-back-a, ikasleek beren ikaskuntzaz eta hura hobetzeko moduez jabetzeko aukera izan dezaten.

Irakasgaiaren ebaluazioa etengabekoa izango da eta atal hauek izango ditu:



1. Lauhilekoan zehar egin beharreko frogak: Irakasgaiaren notaren % 60. Atal hauek izango ditu

- Banakako lan pertsonalak. Gelan landutako kontzeptuak ebaluatzeko erabiliko dira.

- Banakako eta taldeko lanak. Gelan eta laborategietako praktiketan aurkeztu diren problemen ebazpena ebaluatzeko erabiliko direnak.



2. Azterketen garaian ezarritako data ofizialean egingo den froga: irakasgaiaren notaren % 40 izango da. Proba idatzi honetan kontzeptu teoriko-praktikoen ezagutza lortu dutela erakutsi beharko dute ikasleek.



Azken kalifikazioa lortzeko kalifikazio horien batuketa egingo da, baina ezinbestekoa izango da gutxienez lau bat hamarretik ateratzea proba bakoitzean (hau da, lauhilekoan egindako frogak eta azterketa garaiko froga idatzian).



Ikasleek eskubidea izango dute azken ebaluazio bidez ebaluatuak izateko, etengabeko ebaluazioan parte hartu zein ez hartu. Eskubide hori baliatzeko, ikasleak etengabeko ebaluazioari uko egiten diola jasotzen duen idatzi bat aurkeztu beharko dio irakasgaiaren ardura duen irakasleari eta, horretarako, bederatzi asteko epea izango du, ikastegiaren akademi-egutegia oinarri hartuta. Epe horretan ikasleren batek ebaluazio jarraian eskatutako lanak entregatuko ez balitu, azken ebaluazio bidez ebaluatua izango dela ulertuko da.



Ikasleok azken ebaluazio baten bidez ere egiaztatu ahal izango dute ikaskuntza emaitzak lortu izana. Horretarako, azterketen garaian ezarritako data ofizialean egingo den froga idatzia egin beharko du eta honek notaren %100 balioko du.



Azken proba idatzira agertzen ez badira, deialdiari uko egin diotela ulertuko da eta bere kalifikazioa “ez aurkeztua” izango da.

Ez dago.

Oinarrizko bibliografia

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.