Aprendizaje Automático

Profesor/a: PATRICIA AMADO CABALLERO

Teléfono: 983 00 10 00

Última versión revisada de la guía docente, debidamente informada por parte del profesor en la asignatura.

La asignatura tiene como objetivo dotar al alumno de conocimientos y herramientas para comprender y profundizar en el ámbito del aprendizaje automático o Machine Learning. Esta disciplina del campo de la Inteligencia Artificial dota a sistemas informáticos de la capacidad de identificar patrones en, generalmente, grandes volúmenes de datos, así como elaborar predicciones de nuevas observaciones para su correcta clasificación. A lo largo de la asignatura se trabajará con el lenguaje de  programación Python, muy versátil a la hora de trabajar con modelos de aprendizaje. Una vez  asentados los conocimientos programáticos, se analizarán los diferentes tipos de algoritmos de aprendizaje automático, centrándose especialmente en el estudio de algoritmos supervisados y algún modelo de aprendizaje no supervisado. Esta asignatura es el punto de partida para adentrarse en un área con gran proyección profesional. Se desarrollarán las habilidades fundamentales sin necesidad de conocimientos previos.

  1. Introducción y fundamentos de aprendizaje automático:En este primer bloque se presentarán los conceptos fundamentales sobre Python y aprendizaje automático
    1. Introducción al lenguaje de programación Python:
    2. Introducción al aprendizaje automático:
  2. Fundamentos de aprendizaje automático supervisado:En este bloque se tratarán los principales algoritmos de aprendizaje automático supervisado
    1. Clasificación y regresión lineal:
    2. Regresión Logística:
    3. Regularización y Validación:
    4. Redes neuronales y árboles de decisión:
  3. Fundamentos de aprendizaje automático no supervisado:Se analizarán los principales algoritmos de aprendizaje automático no supervisado
    1. Clustering:
    2. K-means:
  • Recursos multimedia y audiovisuales en el aula.
  • Apuntes de la asignatura proporcionados a través de la plataforma Moodle u otros medios electrónicos.
  • Microsoft Teams para tutorías individuales
  •  Herramientas de software para la realización de ejercicios prácticos por parte de los alumnos.
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
CG01. Capacidad de organización y planificación en el ámbito tecnológico
CG02. Capacidad y habilidad para la toma de decisiones en el ámbito tecnológico
COM4. Capacidad para conocer los fundamentos , paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación
COM5. Capacidad para adquirir, obtener, formalizar y representar el conocimiento en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes o entornos inteligentes.
El alumno será capaz de:
  1. Entender el funcionamiento de los algoritmos de aprendizaje no supervisado

  2. Entender el funcionamiento de los algoritmos de aprendizaje automático supervisado

  3. Conocer los fundamentos básicos del aprendizaje automático

  • Ethem Alpaydin (2016), Machine Learning, MIT Press
  • Laurence Moroney (2020), AI and Machine Learning for Coders, O'Reilly Media
  • Gareth James, Daniela Witten, Trevor Hastie y Robert Tibshirani (2014), An Introduction to Statistical Learning: with Applications in R, Springer

http://www.uemc.es (Página de la universidad)

Método dialéctico

Se caracteriza por la participación de los alumnos y la intervención de éstos a través del diálogo y de la discusión crítica (seminarios, grupos de trabajo, etc.). Utilizando este método el alumno adquiere conocimiento mediante la confrontación de opiniones y puntos de vista. El papel del profesor consiste en proponer temas referidos a la materia objeto de estudio que son sometidos a debate para, posteriormente, evaluar el grado de comprensión que han alcanzado los alumnos. 

Método didáctico

Este método será utilizado para explicar al alumno las opciones de cada uno de los programas software y utilidades de Internet que este debe conocer. Mientras se efectúa la explicación se utilizará el ordenador y el proyector de forma que el alumno vaya viendo in situ cómo responde el software al seleccionar dichas opciones y para qué sirven estas

 

Método heurístico

El método heurístico se utilizará principalmente en las actividades prácticas, para las cuales los alumnos aplicarán los conocimientos adquiridos generando experiencias cuasi reales que tendrán que poner en práctica, atendiendo a las indicaciones o cuestiones previamente planteadas por el docente.

La asignatura se divide en tres bloques fundamentales. En el primer bloque se realizará una introducción al lenguaje de programación Python y a los conceptos fundamentales del aprendizaje automático. En el segundo bloque se llevará a cabo un estudio de los principales fundamentos del aprendizaje supervisado. Por último, en el tercer bloque de la asignatura se analizarán los principales fundamentos del aprendizaje no supervisado.

  • Bloque 1 (3-4 semanas)
    • Clases presenciales
    • Tutorías
    • Ejecución de prácticas realizadas por el alumnado (15% de la nota)
    • Prueba escrita al final del bloque (10% de la nota)
  • Bloque 2 (8-9 semanas)
    • Clases presenciales
    • Tutorías
    • Ejecución de prácticas realizadas por el alumnado (30% de la nota)
    • Prueba escrita al final del bloque (20% de la nota)
  • Bloque 3 (3 semanas)
    • Clases presenciales
    • Tutorías Ejecución de prácticas realizadas por el alumnado (15% de la nota)
    • Prueba escrita al final del bloque (10% de la nota)

Esta planificación estimada podrá verse modificada por causas ajenas a la organización académica, primeramente, presentada. El profesor informará convenientemente a los alumnos de las nuevas modificaciones puntuales.

Sistema de evaluación % Calificación final
Ejecución de prácticas 60
Pruebas escritas 40
Consideraciones de la Evaluación en la Convocatoria Ordinaria

La calificación final de la asignatura se obtendrá a partir de lossiguientes hitos:

  • “Ejecución de prácticas” (un 60% de la asignatura): este objetivo está formado por prácticas, problemas o desarrollos que el alumnado deberá realizar tanto de forma presencial en el laboratorio, como de forma no presencial. Es importante destacar que, para superar la asignatura, se deberá obtener como mínimo un 30%en este apartado.
  • “Pruebas escritas” (un 40% de la asignatura): este objetivo está formado por unos cuestionarios que tendrá que realizar el alumnado de forma presencial en el laboratorio. Así mismo, no se permite el uso de apuntes y/o de cualquier dispositivo externo al laboratorio en el que realice dicha prueba. Es importante destacar que, para superar la asignatura, se deberá obtener como mínimo un 5/10 en cada uno de los cuestionarios.
  • Se valorará positivamente la actitud y participación del alumnado durante el desarrollo de las actividades formativas en el aula física y/o virtual.

Si el alumno/a cumple con los requisitos mínimos en el apartado de “Ejecución de prácticas” y “Pruebas escritas”, y obtiene una calificación final mínima de 5/10, la evaluación continua supondrá un 100% de la nota, no siendo obligatorio presentarse a la convocatoria ordinaria. 

Los sistemas de evaluación descritos son sensibles tanto a la evaluación de las competencias como a los contenidos de la asignatura.

1. Es necesario obtener al menos una calificación de 5 sobre 10 en cada una de las “Pruebas escritas” para poder superar la asignatura.

2. Se deberá obtener un 30% sobre 60% en el apartado de “Ejecución de prácticas”, los cuales serán realizados tanto en horario presencial como no presencial.

3. Si se cumple con los puntos 1 y 2 anteriormente indicados referentes a las calificaciones mínimas a obtener para superar la asignatura, el alumno superará la asignatura si obtiene una calificación mínima de 5 sobre 10. La calificación será obtenida aplicando los porcentajes estipulados en esta guía docente para cada prueba evaluable.

4. Si no se cumple con los puntos 1 y 2 anteriormente indicados referentes a las calificaciones mínimas a obtener para superar la asignatura, el alumno no superará la asignatura, obteniendo una calificación final máxima de 4 con independencia de las calificaciones obtenidas en las pruebas y trabajos realizados. En este caso la calificación se obtendrá aplicando igualmente los porcentajes estipulados en la guía, pero si la calificación obtenida supera el 4, la calificación final será de 4. A efectos del cálculo de la calificación final las pruebas de contenidos no realizadas y trabajos que no hayan sido presentados contabilizarán con una calificación de 0.

5. Durante las semanas de evaluación ordinaria (semanas 17 y 18), el alumno/a deberá repetir aquellas “Pruebas escritas” que no superó durante la evaluación continua. No obstante, aquellas pruebas que sí que fueron superadas con una calificación igual o superior a 5/10 durante le evaluación continua, no será necesario volver a repetirlas.

6. Durante las semanas de evaluación ordinaria (semanas 17 y 18), si el alumno/a obtuvo una calificación inferior el 30%/60% en el apartado de “Ejecución de prácticas” durante le evaluación continua, deberá entregar una práctica final en el plazo definido por el profesor. Esta actividad será un compendio de los conceptos vistos durante toda la asignatura y tendrá un valor del 60% de la calificación final.

7. Aquellos alumnos que tengan que realizar actividades en la evaluación ordinaria en las semanas 17 y 18 tendrán que cumplir con los requisitos indicados en los puntos 1 y 2 para superar la asignatura y la calificación se obtendrá del mismo modo que se ha indicado anteriormente.

8. La planificación de la evaluación tiene un carácter meramente orientativo y podrá ser modificada a criterio del profesor, en función de circunstancias externas y de la evolución del grupo. Los sistemas de evaluación descritos en estaGuía Docente son sensiblestanto a la evaluación de las competencias como de los contenidos de la asignatura. La realización fraudulenta de cualquiera de las pruebas de evaluación, así como la extracción de información de las pruebas de evaluación, será sancionada según lo descrito en el Reglamento 7/2015, de 20 de noviembre, de Régimen Disciplinario de los estudiantes, Arts. 4, 5 y 7 y derivarán en la pérdida de la convocatoria correspondiente, así como en el reflejo de la falta y de su motivo en el expediente académico del alumno

El incumplimiento de las anteriores prohibiciones, así como de las demás normas e instrucciones aplicables, podría implicar responsabilidad disciplinaria, civil, penal o de cualquier otra índole por parte de la infractora o del infractor.

Consideraciones de la Evaluación en la Convocatoria Extraordinaria

El sistema de evaluación en la convocatoria extraordinaria será exactamente igual que el de la ordinaria. No obstante, es importante añadir las siguientes aclaraciones:

  • Cualquiera de las “Pruebas escritas” que no fue superada durante la evaluación continua pero sí durante la convocatoria ordinaria, no será obligatorio repetirla en la convocatoria extraordinaria.
  • Si el apartado de “Ejecución de prácticas” no fue superada durante la evaluación continua pero sí durante la convocatoria ordinaria, no será obligatorio repetir este apartado en la convocatoria extraordinaria.

Los sistemas de evaluación descritos son sensibles tanto a la evaluación de las competencias como a los contenidos de la asignatura.

1. Es necesario obtener al menos una calificación de 5 sobre 10 en cada una de las “Pruebas escritas” para poder superar la asignatura.

2. Se deberá obtener un 30% sobre 60% en el apartado de “Ejecución de prácticas”, los cuales serán realizados tanto en horario presencial como no presencial.

3. Si se cumple con los puntos 1 y 2 anteriormente indicados referentes a las calificaciones mínimas a obtener para superar la asignatura, el alumno superará la asignatura si obtiene una calificación mínima de 5 sobre 10. La calificación será obtenida aplicando los porcentajes estipulados en esta guía docente para cada prueba evaluable.

4. Si no se cumple con los puntos 1 y 2 anteriormente indicados referentes a las calificaciones mínimas a obtener para superar la asignatura, el alumno no superará la asignatura, obteniendo una calificación final máxima de 4 con independencia de las calificaciones obtenidas en las pruebas y trabajos realizados. En este caso la calificación se obtendrá aplicando igualmente los porcentajes estipulados en la guía, pero si la calificación obtenida supera el 4, la calificación final será de 4. A efectos del cálculo de la calificación final las pruebas de contenidos no realizadas y trabajos que no hayan sido presentados contabilizarán con una calificación de 0.

5. Durante las semanas de evaluación extraordinaria, el alumno/a deberá repetir aquellas “Pruebas escritas” que no superó durante la evaluación continua. No obstante, aquellas pruebas que sí que fueron superadas con una calificación igual o superior a 5/10 durante la evaluación continua, no será necesario volver a repetirlas.

6. Durante las semanas de evaluación extraordinaria, si el alumno/a obtuvo una calificación inferior el 30%/60% en el apartado de “Ejecución de prácticas” durante la evaluación continua, deberá entregar una práctica final en el plazo definido por el profesor. Esta actividad será un compendio de los conceptos vistos durante toda la asignatura y tendrá un valor del 60% de la calificación final.

7. Aquellos alumnos que tengan que realizar actividades en la evaluación extraordinaria tendrán que cumplir con los requisitos indicados en los puntos 1 y 2 para superar la asignatura y la calificación se obtendrá del mismo modo que se ha indicado anteriormente.

8. La planificación de la evaluación tiene un carácter meramente orientativo y podrá ser modificada a criterio del profesor, en función de circunstancias externas y de la evolución del grupo. Los sistemas de evaluación descritos en esta Guía Docente son sensibles tanto a la evaluación de las competencias como de los contenidos de la asignatura. La realización fraudulenta de cualquiera de las pruebas de evaluación, así como la extracción de información de las pruebas de evaluación, será sancionada según lo descrito en el Reglamento 7/2015, de 20 de noviembre, de Régimen Disciplinario de los estudiantes, Arts. 4, 5 y 7 y derivarán en la pérdida de la convocatoria correspondiente, así como en el reflejo de la falta y de su motivo en el expediente académico del alumno

El incumplimiento de las anteriores prohibiciones, así como de las demás normas e instrucciones aplicables, podría implicar responsabilidad disciplinaria, civil, penal o de cualquier otra índole por parte de la infractora o del infractor.


CV Docente

Actualidad: Doctorando en Tecnologías de la Información y las Telecomunicaciones por la Universidad de
Valladolid
2021: Máster en Ingeniería de Telecomunicación. Escuela Técnica Superior de Ingenieros de Telecomunicación.
Universidad de Valladolid, Valladolid (España)
2019: Graduada en Ingeniería de Tecnologías de Telecomunicación. Trabajo Fin de Grado con calificación 10.0, y mención de Matrícula de Honor. Escuela Técnica Superior de Ingenieros de Telecomunicación. Universidad de Valladolid, Valladolid (España)


CV Profesional

He participado en diversos proyectos de investigación en tecnologías de la información desde 2018, entre los que destacan:
VINTRO. CUANTIFICACIÓN OBJETIVA DE LA CANTIDAD DE SAL RESIDUAL EN CARRETERA DURANTE LOS TRABAJOS DE VIALIDAD INVERNAL.
2021-2022: FishHealth. Análisis de biomarcadores y machine learning para acuacultura.
2019: QUIONE: INVESTIGACIÓN EN FUNDENTES MÁS SOSTENIBLES QUE LA SALMUERA PARA SU UTILIZACIÓN EN EPISODIOS DE VIALIDAD INVERNAL (VISIÓN ARTIFICIAL).
2018: Análisis de datos de actimetría mediante técnicas de aprendizaje y recibiendo formación en
reconocimiento de patrones, procesado de señal y en métodos de aprendizaje automático para creación de un sistema de diagnóstico y validación cruzada.
Actualmente trabajo como investigadora.


CV Investigación

Tengo experiencia en la creación de redes de Machine Learning y Deep Learning, área en la que se enfoca mi doctorado.
Publicaciones

  • P. Amado-Caballero et al., "Objective ADHD diagnosis using Convolutional Neural Networks over Daily-Life Activity Records," in IEEE Journal of Biomedical and Health Informatics.
  • P. Amado-Caballero et al. " Insight into ADHD diagnosis with deep learning on Actimetry: Quantitative interpretation of occlusion maps in age and gender subgroups." in Artificial Intelligence in Medicine, 143, 102630.

Créditos totales: 6
Tipo: Optativo
Período: 2º Semestre