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

Aprendizaje Automático para el Análisis de Datos, 2013

Acciones de Documento
  • Fuente RSS
  • Vista de contenidos
  • 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 los clasificadores basados en prototipos, el aprendizaje de funciones distancia, el aprendizaje sensible a la distribución y al coste, curvas ROC y de coste, o la inducción de fórmulas matemáticas mediante computación evolutiva.
Course Image

ALER MUR, RICARDO

Departamento de Informática.
Universidad Carlos III de Madrid

Área: Aprendizaje Automático.

Cuarto curso
Grado en Estadística y Empresa.

Noviembre de 2013

Finalista premio MECD-Universia

Imagen corstería de A Health Blog

22.5 horas de teoría y 22.5 horas de laboratorio.
45 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 los clasificadores basados en prototipos, el aprendizaje de funciones distancia, el aprendizaje sensible a la distribución y al coste, curvas ROC y de coste, o la inducción de fórmulas matemáticas mediante computación evolutiva.

 

OBJETIVOS: CONOCIMIENTOS Y CAPACIDADES

1.) DE CONOCIMIENTO:

  • Dominar los conceptos básicos sobre la extracción de conocimiento a partir de datos
  • 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 la extracción de conocimiento

2.) DE COMPRENSION:

  • Comprender los conceptos básicos de la extracción del conocimiento
  • Comprender los fundamentos y las motivaciones de la minería de datos
  • Comprender la metodología de trabajo y las distintas fases de extracción de conocimiento
  • Comprender la utilidad de las diferentes técnicas de extracción de conocimiento
  • Comprender las diferencias de diferentes representaciones: proposicionales y relacionales
  • 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 extracción de conocimiento acordes al problema.
  • Evaluar las prestaciones y eficiencia de los distintos métodos de extracción de conocimiento
  • 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 un tutorial de introducción a una herramienta de Minería de Datos (WEKA).

 

ACTIVIDADES DE EVALUACIÓN O TAREAS PRÁCTICAS

Se aportan tres prácticas a completar durante la asignatura:

1) uso de la herramienta WEKA según la metodología estándar de minería de datos (preproceso de datos, selección de modelos / ajuste de parámetros, evaluación de resultados)

2) práctica conceptual sobre curvas ROC usando la herramienta MLDEMOS

3) práctica sobre clasificación con coste. Se aporta también alguno de los exámenes planteados en la asignatura en años anteriores.

 

Reutilizar Curso
Descargar este curso
Encuesta Usuarios OCW-UC3M