Usted está aquí: Inicio Ingeniería Informática Aprendizaje Automático para el Análisis de Datos

Aprendizaje Automático para el Análisis de Datos, 2019

Acciones de Documento
  • Marcadores (bookmarks)
  • Exportación de LTI
Autor: Ricardo Aler Mur
El Aprendizaje Automático es un componente importante en campos tales como el análisis de datos o la minería de datos. Sin dejar de lado una introducción básica, esta asignatura pretende ser un complemento a otras que describan los fundamentos del aprendizaje automático, mediante el desarrollo de temas menos tratados, tales como el aprendizaje con muestras desbalanceadas, o técnologías básicas para Big Data como MapReduce o Spark.
Imagen del Curso

RICARDO ALER MUR

Departamento de Informática
Universidad Carlos III de Madrid

Área:
Aprendizaje Automático

Titulación:
Grado en Estadística y Empresa

Diciembre, 2019 (segunda edición)

Imagen cortesía de A Health Blog

21 horas de teoría y 21 horas de laboratorio.
42 horas de aprendizaje.

 

PRERREQUISITOS Y CONOCIMIENTOS PREVIOS RECOMENDADOS

Conocimientos básicos de estadística.

 

DESCRIPCIÓN GENERAL DE LA ASIGNATURA

El Aprendizaje Automático es un componente importante en campos tales como el análisis de datos o la minería de datos. Sin dejar de lado una introducción básica, esta asignatura pretende ser un complemento a otras que describan los fundamentos del aprendizaje automático, mediante el desarrollo de temas menos tratados, tales como el aprendizaje con muestras desbalanceadas, o tecnologías básicas para Big Data como MapReduce o Spark.

 

OBJETIVOS: CONOCIMIENTOS Y CAPACIDADES

1.) DE CONOCIMIENTO:

  • Dominar los conceptos básicos sobre el aprendizaje automático
  • Conocer las diferentes tareas que se pueden resolver con aprendizaje automático
  • Conocer las técnicas de aprendizaje automático y su tipología
  • Conocer la metodología de extracción de conocimiento y las fases que conlleva
  • Conocer herramientas disponibles para aprendizaje automático

2.) DE COMPRENSION:

  • Comprender los conceptos básicos del aprendizaje automático
  • Comprender los fundamentos y las motivaciones del aprendizaje automático
  • Comprender la metodología de trabajo y las distintas fases del aprendizaje automático
  • Comprender la utilidad de las diferentes técnicas del aprendizaje automático
  • Comprender la relación entre complejidad del modelo, cantidad de datos, características del problema y sobreaprendizaje

3.) DE APLICACIÓN:

  • Analizar los dominios y diseñar procesos de aprendizaje automático acordes al problema.
  • Evaluar las prestaciones y eficiencia de los distintos métodos de aprendizaje automático
  • Trabajar sobre dominios específicos y contrastar distintas técnicas para comprobar su rendimiento en la extracción de conocimiento

4.) CRITICA O VALORACIÓN

  • Selección de algoritmos, selección de modelos y ajuste de parámetros.
  • Considerar la relación entre coste computacional y mejora marginal de diferentes soluciones
  • Valoración de si los resultados obtenidos son adecuados, comparados con el azar o algoritmos básicos

 

MATERIAL DOCENTE

El material docente consiste fundamentalmente de las transparencias usadas durante las clases y también de tutoriales de introducción a MLR (librería de aprendizaje automático para R).

 

ACTIVIDADES DE EVALUACIÓN O TAREAS PRÁCTICAS

Se aportan 3 prácticas a completar durante la asignatura:

 

1) Aprendizaje Automático básico. En esta práctica se trabajan los conceptos básicos de aprendizaje automático (entrenamiento de modelos, evaluación, ajuste de hiper-parámetros). Para completar la práctica es importante haber realizado previamente el tutorial de MLR básico (MLR es la librería de R que se usa en la asignatura para llevar a cabo todas las operaciones de aprendizaje automático).

2) Muestras desbalanceadas. En esta práctica se trabajan las maneras de resolver problemas con muestras desbalanceadas. Para realizarla, es necesario haber completado previamente el tutorial MLR sobre este tema (también presente en el curso).

3) Spark: Por último, se aborda un pequeño trabajo sobre Spark (aprendizaje automático con Big Data), en el que se usan las librerías de R dplyr y sparklyr. Es importante también haber completado previamente el tutorial correspondiente (disponible en el curso).

 

Course Contents

Ejercicios, Proyectos y casos , 2019

Programa , 2019

Otros recursos , 2019

Guía de aprendizaje , 2019

Examen Enero 2013 , 2019

Pruebas de evaluación , 2019

imagenes , 2019

Bibliografía , 2019

Presentación del Curso , 2019

Profesorado , 2019

Material de clase , 2019

Prácticas , 2019

A0doc.pdf , 2019

A1doc.pdf , 2019

A2doc.pdf , 2019

copy_of_A2doc.pdf , 2019

A3doc.pdf , 2019

refrescoRbreve.pdf , 2019

arboles.pdf , 2019

arboles_completo.R , 2019

codigo_lapply.R , 2019

tennis.txt , 2019

tutorialMLR_sinrespuestas.pdf , 2019

tutorialMLR_sinrespuestas.Rmd , 2019

tutorialMLR.pdf , 2019

tutorialMLR.Rmd , 2019

ajusteHiperGB.pdf , 2019

ajusteHiperGB.Rmd , 2019

ajusteHiperRF.Rmd , 2019

ajusteHiperRF.pdf , 2019

ajusteHiperSVM.pdf , 2019

ajusteHiperSVM.Rmd , 2019

tutorialDistribucionMLR.html , 2019

tutorialDistribucionMLR.Rmd , 2019

tutorialDistribucionMLR.pdf , 2019

tutorial_dplyr.pdf , 2019

tutorial_dplyr.Rmd , 2019

practicaP1.pdf , 2019

practica_desbalanceo_mam.pdf , 2019

practicasparklyr.pdf , 2019

mamography.arff , 2019

tutorialSparklyr.nb.html , 2019

tutorialSparklyr.Rmd , 2019

eEnero2018.pdf , 2019

e1819.pdf , 2019

copy_of_eenero2013.pdf , 2019

eenero2013ss.pdf , 2019

eEnero2018ss.pdf , 2019

e1819ss.pdf , 2019

A4doc.pdf , 2019

A6doc.pdf , 2019

A5doc.pdf , 2019

guiapracticas.pdf , 2019

ocw0presentacion.pdf , 2019

ocw11desbalanceadas.pdf , 2019

ocw12bigdata.pdf , 2019

ocw2tareas.pdf , 2019

ocw4arboles.pdf , 2019

ocw5evaluacion.pdf , 2019

ocw6seleccionygeneracion.pdf , 2019

ocw7ensembles.pdf , 2019

ocw7knn.pdf , 2019

ocw8svm.pdf , 2019

ocw9rrnn.pdf , 2019

Descargar este curso , 2019

Reutilizar Curso
Descargar este curso