CB1 - Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio.
CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio
CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética
CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado
CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía
CG1 - Comprender y utilizar las técnicas y modelos de la Estadística con el lenguaje matemático adecuado.
CG4 - Asimilar la definición de nuevos objetos matemático-estadísticos, en términos de otros ya conocidos, y ser capaz de utilizar dichos objetos en diferentes contextos.
CG5 - Saber construir nuevos métodos y modelos bien fundamentados mediante el análisis y demostración de sus propiedades más relevantes.

CT1 - Haber demostrado poseer y comprender conocimientos en el área de las Matemáticas y la Estadística, partiendo de la base de la educación secundaria general, y alcanzando un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de dicha área.
CT2 - Saber aplicar sus conocimientos a su trabajo o vocación de una forma profesional y que posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro del área de la Estadística, con base en las Matemáticas.
CT3 - Tener la capacidad de reunir e interpretar datos relevantes (dentro del área de la Estadística y las Matemáticas y de alguno de us campos de aplicación) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
CT4 - Poder transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
CT5 - Haber desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de
autonomía.

CE1 - Proponer, analizar, validar e interpretar modelos de situaciones en las que se presenten fenómenos estocásticos utilizando las
herramientas estadístico-matemáticas más adecuadas.
CE2 - Resolver problemas de Estadística mediante herramientas matemáticas e informáticas.
CE3 - Utilizar aplicaciones informáticas de análisis estadístico, cálculo numérico y simbólico, visualización gráfica, optimización u otras para resolver problemas estadísticos.
CE4 - Desarrollar programas que resuelvan problemas estadísticos utilizando para cada caso el entorno computacional adecuado.
CE5 - Utilizar herramientas de búsqueda de recursos bibliográficos en Matemáticas y Estadística.

Clases teórico-prácticas
Sesiones prácticas en laboratorio de informática, con sesiones de resolución de problemas tutorizadas por el profesor.

Resolución individudal o en grupo de problemas y entrega de algunos problemas escogidos por escrito.

Elaboración de prácticas o en grupo de problemas y entrega de algunos problemas escogidos por escritos.

Exposiciones orales por grupos de alumnos.

2,4

3,6

8

 

El aprendizaje automático o aprendizaje estadístico automatizado estudia algoritmos que mejoran de forma automática con la experiencia en la realización de una tarea. Tales algoritmos construyen modelos estadísticos basados en datos muestrales, conocidos como datos de entrenamiento, para hacer predicciones y apoyar decisiones. Se emplean en numerosas aplicaciones en la actualidad. En el curso se introducen los principales modelos y técnicas de aprendizaje automático y se practica su implementación en problemas relevantes.

Se emplearán resultados de numerosas asignaturas de la titulación incluyendo Probabilidad, Estadística, Métodos computacionales en Estadística, Métodos computacionales en Optimización, Análisis de Datos, Análisis Multivariante y Modelos de Regresión. Se suponen conocimientos de Python.

 

·         Presentar los métodos principales del aprendizaje automático en sus tres modalidades principales: supervisado, no supervisado, por refuerzo.

·         Implementar algoritmos de aprendizaje automático.

·         Ilustrar algunos desarrollos actuales de la investigación en aprendizaje automático.

1. Introducción. Conceptos básicos de aprendizaje automático. Conceptos básicos sobre aprendizaje supervisado.  Conceptos básicos sobre aprendizaje no supervisado. Conceptos básicos sobre aprendizaje por refuerzo.

2. Algoritmos de regresión.

3. Algoritmos de clasificación: KNN, Naive Bayes, clasificación bayesiana.

4. Arboles de decisión, bosques aleatorios, boosting.

5. Redes neuronales. Redes neuronales profundas.

6. Aprendizaje no supervisado. 

7. Aprendizaje por refuerzo.

 

Se empleará Python, así como diversas librerías. En particular, keras y tensorflow.

Examen teórico-práctico*: 70%
Realización de exámenes parciales y/o prácticas: 30%
Nota*: El 30% de la calificación obtenida por ejercicios y prácticas durante el curso se mantendrá para la convocatoria extraordinaria.
Es necesario obtener al menos una puntuación de 3.5 puntos en el examen para poder aprobar la asignatura.

Kevin P. Murphy.(2022) Probabilistic Machine Learning: An introduction.
C. Bishop (2006). Pattern Recognition and Machine Learning. Springer
Hastie, Tibshirani, Friedman (2009) Elements of Statistical Learning. Springer
Goodfellow, Bengio, Courville (2017) Deep Learning, MIT Press.
Sutton, Barto (2018) Reinforcement learning: An introduction, MIT Press.

Bibliografía complementaria
Barber (2020) Bayesian reasoning and machine learning.
Bishop (2006) Pattern Recognition and Machine Learning. Springer
Artículos
Bibliografía sobre ML y R
Chollet (2018) Deep Learning with R, Manning.
Ciaburro (2020) Reinforcement Learning with R, Packt