Aprenentatge ( A )
| Crèdits: |
Departament: |
Tipus: |
Requisits: |
| 7.5 |
LSI |
Optativa per l'EI
|
|
IA
- Pre-requisit per l' EI
|
|
|
Professors
| Responsable: | Javier Béjar Alonso (bejar lsi.upc.edu). |
| Altres: | Lluis Antoni Belanche Muñoz (belanchelsi.upc.edu). |
Objectius Generals
L'objectiu de l'assignatura es donar una visió de l'àrea de
l'aprenentatge automàtic dins de l'Intel.ligencia
Artificial. Es tractaran tècniques i algorismes que permeten a un
sistema proposar un model basat en exemples i millorar el seu
rendiment a partir de l'experiència.
Com complement es presentaran aplicacions pràctiques de la seva
utilització en temes d'anàlisi i mineria de dades.
Objectius Específics
Coneixements
- Abast i necessitat de l'aprenentatge automàtic
- Coneixements teòrics i practics de les diferentes àrees de l'aprenentatge automàtic
- Coneixement sobre les aplicacions actuals de les técniques d'aprenentatge automàtic
Habilitats
- Anàlisi de les necesitat de tècniques d'aprenentatge automàtic per problemes complexos
- Utilització d'eines d'aprenentatge automàtic
Competències
- Capacitat de resoldre problemes aplicant els mètodes de la ciència i l'enginyeria
- Capacitat per crear i utilitzar models de la realitat.
- Capacitat per dissenyar i dur a terme experiments, i d'analitzar-ne els resultats.
Continguts
Hores estimades de:
| T |
P |
L |
Alt |
L Ext. |
Est |
A Ext. |
| Teoria |
Problemes |
Laboratori |
Altres activitats |
Laboratori extern |
Estudi |
Altres hores fora d'horari fixat |
|
1. Introducció a l'aprenentatge
|
| T |
P |
L |
Alt |
L Ext |
Est |
A Ext |
Total |
| 2,0 |
2,0 |
1,0 |
0 |
0 |
0 |
0 |
5,0 |
|
|
¿que es l'aprenentatge? ¿Per que necesitem l'aprenentage? ¿On i quan es pot aplicar? Clasificacio dels metodes d'aprenetatge
|
|
2. Aprenentatge Inductiu
|
| T |
P |
L |
Alt |
L Ext |
Est |
A Ext |
Total |
| 10,0 |
10,0 |
5,0 |
0 |
2,0 |
30,0 |
0 |
57,0 |
|
|
Sistemes d'induccio de regles i arbres de decisio. Aprenentatge basat en instancies, regresio local. Aprenentatge bayesia, Naive Bayes y xarxes bayesianes. Aprenentatge inductiu no supervisat, regles d'associacio
|
|
3. Xarxes neuronals
|
| T |
P |
L |
Alt |
L Ext |
Est |
A Ext |
Total |
| 10,0 |
10,0 |
5,0 |
0 |
2,0 |
30,0 |
0 |
57,0 |
|
|
Regresio no lineal. Xarxes de base radial. Asociadors. Perceptrons. Xarxes no supervisades
|
|
4. Aplicacions
|
| T |
P |
L |
Alt |
L Ext |
Est |
A Ext |
Total |
| 6,0 |
6,0 |
3,0 |
0 |
3,0 |
10,0 |
0 |
28,0 |
|
|
Aproximacio de funcions. Prediccio. Descobriment d'informacio a bases de dades (Mineria de dades). Sistemes recomanadors. Aplicacions a la WWW.
|
| - Total per tipus |
T |
P |
L |
Alt |
L Ext |
Est |
A Ext |
Total |
| 28,0 |
28,0 |
14,0 |
0 |
7,0 |
70,0 |
0 |
147,0 |
- Hores addicionals dedicades a l'avaluació:
|
3,0 |
- Total hores de treball per l'estudiant |
150,0 |
|
Metodologia docent
La metodologia consistirà en l'exposicio de la teoria en classes de teoria i l'aplicació dels conceptes en les classes de problemes i laboratori
Mètode d'avaluació
L'avaluació consta d'un examen final, problemes fets durant el curs i una nota de laboratori. L'examen final estarà enfocat a avaluar els coneixements teorics de l'assigantura. La nota de laboratori s'obtindrà de l'avaluació dels informes realitzats amb un conjunt de práctiques de laboratori que es desenvoluparan al llarg del curs. La nota de problemes s'obtindrà mitjançant l'entrega de petits problemes proposats durant el curs.
El càlcul de la nota final es farà de la següent manera:
Nota final= Nota Examen * 0.5 + Nota problemes * 0.2 + Nota Laboratori * 0.3
Bibliografía bàsica
- T. Mitchell Machine Learning, McGraw Hill, 1997.
- Ian H. Witten, Eibe Frank Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations, Morgan Kaufmann Publishers, .
- A. Moreno et al Aprendizaje Automático, Edicions UPC, 1994.
- Hertz, Krogh, Palmer Introduction to the Theory of Neural Computation, Addison Wesley, .
- R. Hecht-Nielsen Neurocomputing, Addison Wesley, 1991.
Bibliografía complementària
- G. Briscoe, T. Caelli A compendium of machine learning, Ablex Pub. Corp, 1996.
- Pat Langley Elements of Machine Learning, Morgan Kaufmann, 1996.
- U. Fayyad, G. Piatetsky-Shapiro, P. Smyth, R. Uthurusamy (Eds) Advances in Knowledge Discovery and Data Mining, AAAI Press, MIT Press, 1996.
Enllaços web
-
 http://www.lsi.upc.edu/~bejar/apren/apren.html
Pàgina oficial de l'assignatura
Capacitats prèvies
Els alumnes hauran d'haver cursat prÈviament l'assignatura Intel·ligència Artificial.
|
fib.upc.edu