|
|
 |
|
MÉTODOS DE APRENDIZAJE EN IA
Profesorado
| Coordinador: Félix Hernández del Olmo (Dpto. Inteligencia Artificial,
UNED) |
| Profesores: |
| Jusús González Boticario (Dpto. Inteligencia Artificial, UNED) |
| Elena Gaudioso Vázquez (Dpto. Inteligencia Artificial, UNED) |
| Antonio Rodríguez Anaya (Dpto. Inteligencia Artificial, UNED) |
|
|
Ficha técnica:
| Tipo | Optativa |
|
| Cuatrimestre | Primero |
| Créditos/horas totales | 6/150 |
| Horas de estudio teórico | 50 |
| Horas de prácticas | 50 |
| Horas complementarias | 50 |
DESCRIPCIÓN DE LA ASIGNATURA
Prerrequisitos recomendables
Una de las acciones básicas de cualquier algoritmo de aprendizaje
consiste en inducir un modelo de conocimiento a partir de casos concretos.
Como dicho conocimiento debe soportarse en un lenguaje apto para ser
representado en una computadora, es interesante al menos una cierta
familiaridad con técnicas de representación del conocimiento que se
estudian en otras asignaturas de métodos para la IA.
También es importante un conocimiento del idioma inglés, al menos
un cierto nivel en comprensión de textos escritos. Esto es indispensable
para poder estudiar la asignatura, ya que el texto base que se va
a seguir, así como varios de los textos complementarios, están escritos
en inglés (USA).
Finalmente, un conocimiento de algún lenguaje de programación de alto
nivel (como C, C++, Java, Pascal, etc.) es fundamental para poder
comprender y completar las prácticas en tiempo y forma. La familiaridad
con lenguajes orientados a la IA como Lisp, Prolog, o sucedáneos como
Scheme serán muy importantes para una mejor comprensión de los algoritmos
que se estudien, además de una mayor eficacia cuando trate de implementarlos
en las prácticas.
Objetivos generales de la materia
El objetivo fundamental de esta asignatura consiste en introducir
a los alumnos en las técnicas más significativas del Aprendizaje Automático,
todo ello junto con un marco que permitirá englobar cada nueva técnica
de aprendizaje en su contexto adecuado.
Destrezas y competencias
Tras completar el curso se comprenderán los mecanismos internos de
los algoritmos de aprendizaje automático más significativos. Además,
el enfoque dado a la materia proporcionará al alumno la capacidad
de extraer las características más importantes de cada algoritmo de
aprendizaje, permitiéndole así caracterizar/clasificar cada nuevo
algoritmo con que pueda encontrarse en el futuro.
Contextualización de la materia en el conjunto del Master
El aprendizaje natural es un término que denota la forma natural en
que un agente aumenta su conocimiento para mejorar sus capacidades
de actuación en su entorno. Por otra parte, el Aprendizaje Automático
es una ciencia de lo artificial. Los principales objetos de su estudio
son artefactos, específicamente algoritmos que mejoran su eficiencia
a partir de la experiencia obtenida de su entorno.
Por este hecho, se puede entender la importancia de esta asignatura
y este "método" para una comprensión en profundidad
de las materias relacionadas con la IA en general. Más en concreto,
esta asignatura está presente de alguna u otra forma en todas aquellas
relacionadas con la adaptación automática de sistemas (p.ej. Interfaces
Adaptativos), la inducción automática de conceptos/extracción de conocimiento
(p.ej. Minería de Datos) o algoritmos que tratan de imitar la adaptación
evolutiva de las especies (p.ej. Computación Evolutiva).
1 MEDIOS DE ESTUDIO
1.1 Metodología docente
La general del programa de postgrado.
1.2 Material de estudio
Bibliografía básica:
EML Pat Langley. "Elements of Machine Learning"
(1996).
Morgan Kaufman.
AA Daniel Borrajo Millan, Jesús Gonzalez Boticario, Pedro
Isasi Viñuela. "Aprendizaje Automático" (2006).
Sanz y Torres
ML Tom M. Mitchell. "Machine Learning"
(1997).
McGraw-Hill
Bibliografía complementaria:
DM Ian H. Witten, Eibe Frank. "Data Mining: Practical
Machine Learning Tools and Techniques with Java Implementations"
(2005).
Morgan Kaufmann
IML Nils J. Nilsson. "Introduction to Machine Learning"
(2001).
http://robotics.standford.edu/people/nilsson/mlbook.html
SC D. Michie, D. J. Spielgelhalter, C. C. Taylor (eds). "Machine
Learning, Neural and Statistical Classification" (1994).
http://www.amsta.leeds.ac.uk/ Echarles/statlog/
UPC A. Moreno y otros. "Aprendizaje Automático"
(1992).
Ediciones UPC (Universidad Politécnica de Cataluña)
MML R. S. Michalski, G. Teccuci. "Machine Learning:
A Multirstragy Approach, Vol 4" (1994).
Morgan Kaufmann
RML J. W. Shavlik, T. G. Dietterich (eds). "Readings
in Machine Learning" (1990).
Morgan Kaufmann
Software:
Se indicará, en la plataforma de aprendizaje a través de Internet,
donde encontrar compiladores/intérpretes de código abierto necesarios.
1.3 Materiales y recursos de apoyo
Ver sección "Material de estudio".
1.4 BIbliografia general de consulta
Ver sección "Material de estudio".
1.5 Tutorización
La tutorización de los alumnos se llevará a cabo a través de la plataforma
de aprendizaje a través de Internet. En casos concretos, de ser necesario,
se indicarían otros medios de contacto.
2 ESTRUCTURA DEL CURSO
2.1 Estructura y contenido teórico
Tema 1: Introducción (1.5 Créditos).
Tema 2: Representaciones Simples (2 Créditos).
Tema 3: Representaciones Complejas (2 Créditos).
Tema 4: Otras Cuestiones en Aprendizaje Automático (0.5 Créditos).
2.2 Objetivos por tema y orientaciones breves
Tema 1: Introducción (1.5 Créditos).
Objetivo:
Como su nombre indica, este tema servirá para introducir al alumno
en la materia. Tras estudiarlo, el alumno deberá conocer:
O.1.1 La extensión del término "Aprendizaje Automático".
O.1.2 Los componentes que conforman el marco (framework)
de Aprendizaje Automático establecido para esta asignatura.
O.1.3 La naturaleza teórica de cada uno de los componentes
del aprendizaje.
O.1.4 La naturaleza práctica de cada uno de los componentes
del aprendizaje.
O.1.5 Diferenciación entre el aprendizaje inductivo de conceptos
y otros tipos de aprendizaje.
O.1.6 Diferenciación entre Aprendizaje Automático y los distintos
paradigmas que lo estudian.
Orientaciones: En este tema se introducirán varios conceptos nuevos
y muy importantes para la asimilación de la materia posterior. Además,
se establecerán las pautas para la realización de las actividades
prácticas. Por tanto, aparte del contenido teórico, esta parte tendrá
gran trabajo práctico.
Tema 2: Representaciones Simples (2 Créditos).
Objetivo:
En este tema se estudian los algoritmos de aprendizaje inductivo de
conceptos que de representación simple. Se divide en tres tipos, por
lo que el alumno deberá conocer:
O.2.1 Algoritmos de aprendizaje que inducen conceptos de
tipo lógico.
O.2.2 Algoritmos de aprendizaje que inducen conceptos de
tipo umbral.
O.2.3 Algoritmos de aprendizaje que inducen conceptos de
tipo competitivo.
Orientaciones: En primer lugar, será necesario comprender que el lenguaje
de representación e interpretación del concepto a aprender es muy
importante dependiendo del dominio tratado, por lo que se debe incidir
en qué características aporta cada lenguaje (lógico, umbral o competitivo).
Además, para cada lenguaje, es importante comprender qué ventajas
aporta o qué desventajas tiene cada algoritmo. Para una comprensión
profunda, se realizarán prácticas en las que se implementarán algunos
casos.
Tema 3: Representaciones Complejas (2 Créditos).
Objetivo:
En este tema se estudian los algoritmos de aprendizaje inductivo de
conceptos de representación compleja. Este tipo de representación
utiliza conceptos de representación simple como base. Se divide en
tres tipos, por lo que el alumno deberá conocer:
O.3.1 Algoritmos de aprendizaje basados en la construcción
de listas de decisión.
O.3.2 Algoritmos de aprendizaje basados en la formación de
jerarquías de conceptos.
O.3.3 Algoritmos de aprendizaje basados en la revisión y
extensión de redes de inferencia.
Orientaciones: Se incidirá en los objetivos 3.1 y 3.2, por lo que
el alumno deberá comprender al detalle los algoritmos relacionado
con estos. No obstante, el objetivo 3.3 es importante para tener una
visión global de la materia, por lo que se pedirá un conocimiento
al menos teórico. Para alcanzar plenamente los objetivos 3.1 y 3.2,
se realizarán actividades prácticas de los algoritmos correspondientes.
Tema 4: Otras Cuestiones en Aprendizaje Automático (0.5 Créditos).
Objetivo:
En este tema se estudiarán aspectos más avanzados del Aprendizaje
Automático. A pesar de que el número de créditos de este tema no permite
extenderse, esto no significa que no sea un tema importante. Antes
al contrario, tras haber asimilado los anteriores, este tema permitirá
obtener una visión de alto nivel de este campo, en particular, y de
la situación de éste en la IA, de manera general.
Orientaciones: Debido a los créditos que supone este tema, se orientará
hacia una comprensión teórica del mismo.
3 Actividades y plan de trabajo
3.1 Actividades prácticas programadas
Se irán introduciendo en la plataforma de manera dinámica según transcurra
el curso.
3.2 Otras actividades prácticas programadas
Se irán introduciendo en la plataforma de manera dinámica según transcurra
el curso.
3.3 Plan de trabajo
| 15 de Noviembre a 15 de Enero | Tema 1 |
|
| 15 de Enero a 1 de Abril | Tema 2 |
| 1 de Abril a 15 de Junio | Tema 3 |
| 15 de Junio a 30 de Junio | Tema 4 y Trabajo final |
| 15 de Septiembre | Revisión del trabajo total realizado |
4 Evaluación
La evaluación será continua fundamentalmente. Es extremadamente importante
una entrega puntual las prácticas que se vayan proponiendo a lo largo
del curso en la plataforma de aprendizaje a través de Internet. Como
no puede ser de otra forma, se hará gran hincapié en valorar el trabajo
individual de cada alumno. No obstante, se fomentará el trabajo en
grupo para la resolución de problemas puntuales. También habrá una
evaluación final mediante un trabajo que será totalmente individual
y personal.
Reseña del profesorado
Hernández del Olmo, Félix
Profesor del departamento de Inteligencia Artificial de la E.T.S.I.
Informática de la UNED desde 2001. Sus líneas de investigación incluyen
el aprendizaje automático, la aplicación de técnicas de inteligencia
artificial en educación, modelado de usuario e interfaces adaptativos.
Actualmente su trabajo se centra en el área de interfaces adaptativos,
más concretamente, en el área de los denominados sistemas recomendadores.
e.mail: felixh@dia.uned.es
Web personal:http://www.ia.uned.es/personal/felixh
González Boticario, Jesús
Profesor del departamento de Inteligencia Artificial de la E.T.S.I.
Informática de la UNED desde 1993. Su trabajo comenzó en el campo
del aprendizaje automático como base de los sistemas adaptativos y
luego se ha centrado en la aplicación de diversas técnicas de inteligencia
artificial a los sistemas interactivos de enseñanza/aprendizaje (SIEA).
Actualmente es el investigador responsable y coordinador de varios
proyectos nacionales y europeos centrados en introducir en los SIEA
la adaptación a las necesidades de accesibilidad y diversidad funcional
de cada usuario, así como en resolver automáticamente tareas que conjuguen
planificación, aprendizaje e interacción con diversos agentes (humanos
y de software) en dicho contexto.
e.mail: jgb@dia.uned.es
Gaudioso Vázquez, Elena
Profesora del departamento de Inteligencia Artificial de la E.T.S.I.
Informática de la UNED desde 2001. Sus líneas de investigación incluyen
la aplicación de técnicas de inteligencia artificial en educación,
aprendizaje automático, modelado de usuario e interfaces adaptativos.
Actualmente trabaja en la aplicación de técnicas de minería de datos
para ayudar al tutor en sistemas de educación basados en web y comunidades
virtuales educativas.
e.mail: elena@dia.uned.es
Rodríguez Anaya, Antonio
Profesor ayudante del departamento de Inteligencia Artificial de la
E.T.S.I. Informática de la UNED desde 2004. Sus líneas de investigación
incluyen la aplicación de técnica de inteligencia artificial en educación,
aprendizaje automático, modelado de alumno y planificación. Actualmente
trabaja en técnicas de clasificación borrosa mediante prototipos para
ayudar a la detección de problemas de aprendizaje en alumnos de comunidades
virtuales educativas.
e.mail: arodriguez@dia.uned.es
| |
|
|
