Breve descripción

Los objetivos de esta asignatura son: 

• Conocer los fundamentos del aprendizaje estadístico.

• Conocer los métodos de aprendizaje automático basados en funciones núcleo (metodos kernel).

• Saber aplicar los métodos kernel en problemas prácticos de clasificación, regresión y análisis de datos.

• Conocer el uso de variables latentes en modelo gráficos y probabilísticos.

• Saber aplicar modelos y redes probabilísticas en problemas de análisis de datos y aprendizaje automático.

Título asignatura

Aprendizaje automático II

Código asignatura

102269

Curso académico

2025-26

Planes donde se imparte

MÁSTER UNIVERSITARIO EN CIENCIA DE DATOS / MASTER IN DATA SCIENCE

Créditos ECTS

4

Carácter de la asignatura

OPTATIVA

Duración

Cuatrimestral

Idioma

Castellano e Inglés

Contenidos

1. Aprendizaje estadístico.

2. Márgenes y vectores soporte. Máquinas de vector soporte (SVM).

3. Métodos basados en núcleos.

4. Variables latentes y método EM.

5. Modelos de Markov ocultos (HMM).

6. Aprendizaje Bayesiano. Redes probabilísticas. Causalidad.

7. Selección de modelos. MCMC.

Generales

CG1 - Capacidad para integrarse eficazmente en un grupo de trabajo y trabajar en equipo, compartir la información disponible e integrar su actividad en la actividad del grupo colaborando de forma activa en la consecución de objetivos comunes

CG2 - Capacidad de estudio, síntesis y autonomía suficientes para, una vez finalizado este programa formativo, iniciar una Tesis Doctoral

CG4 – Saber preparar y conducir presentaciones, ante públicos especializado, sobre una investigación o proyecto científico

CG7 - Conocer las herramientas metodológicas necesarias para desarrollar proyectos avanzados

CG8 - Capacidad de actualización de los conocimientos expuestos en el ámbito de la comunidad científica

Transversales

CT1 - Capacidad para buscar, obtener, seleccionar, tratar, analizar y comunicar información utilizando diferentes fuentes

CT2 - Capacidad para proyectar los conocimientos, habilidades y destrezas adquiridos para promover una sociedad basada en los valores de la libertad, la justicia, la igualdad y el pluralismo

CT3- Dominio de la gestión del tiempo

CT4- Capacidad para afrontar tareas y situaciones críticas

CT5- Capacidad de trabajo autónomo y toma de decisiones

CT6- Capacidades asociadas al trabajo en equipo: cooperación, liderazgo, saber escuchar

Específicas

DSDA01 - Utilizar el análisis predictivo para analizar grandes volúmenes de datos y descubrir nuevas relaciones

DSDA02 - Utilizar técnicas estadísticas apropiadas sobre los datos disponibles para lograr una visión adecuada de los mismos

DSENG02 - Desarrollar y aplicar soluciones computacionales para problemas en un cierto dominio de aplicación, usando una amplia gama de plataformas de análisis de datos

DSRM06 - Aplicar el ingenio propio para resolver problemas complejos y desarrollar ideas innovadoras

Actividades formativas

AF1 - Participación y asistencia a lecciones magistrales y seminarios (15 horas)

AF2 - Realización de prácticas de computación y análisis de datos (15 horas)

AF6 - Tutorías (presenciales o por medio de recursos telemáticos) (8 horas)

AF7 - Elaboración de informes de laboratorio y trabajos (20 horas)

AF8 - Estudio individual de contenidos de la asignatura (20 horas)

AF9 - Trabajo en grupo (20 horas)

A10 - Pruebas de evaluación (2 horas)

Metodologías docentes

Se comenzará por una exposición de los conceptos y métodos básios, incluyendo ejemplos ilustrativos sencillos de distintas disciplinas, que serñan analizados y discutidos en común.
Los estudiantes, organizados en grupos, realizarán un análisis práctico detallado de distintos casos de estudio relaes (por ejemplo, problemas de Kaggle o Kaggle in Class) adaptando y aplicando las técnicas adecuadas en cada caso.
La parte práctica se realizará utilizando el software estadístico R de uso libre y software específico especializado (e.g.: deep learning).

Resultados de aprendizaje

• Entender los fundamentos del aprendizaje estadístico.

• Entender el concepto de variable latente y conocer los métodos para su tratamiento.

• Saber analizar datos discretos utilizando redes probabilísticas.

Descripción del sistema de evaluación

SE1 - Examen (escrito, oral y/o práctico en el aula de computación) (40%)

SE2 - Valoración de informes y trabajos escritos (60%)

Profesor responsable

Profesorado

Bibliografía

Bibliografía básica

S. Y. Kung, Kernel Methods and Machine Learning, Cambridge University Press, 2014

B. Schölkopf, A. J. Smola, Learning with Kernels, The MIT Press, 2002

C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006

K. P. Murphy, Machine Learning: A Probabilistic Perspective, The MIT Press 2012

R. Nagarajan, M. Scutari, S. Lèbre, Bayesian Networks in R with Applications in Systems Biology, Springer, 2013

M. Scutari, J.B. Denis, Bayesian Networks with examples in R, CRC Press, 2014

E. Castillo, J.M. Gutiérrez, A.S. Hadi, Expert Systems and Probabilistic Network Models, Springer-Verlag, 1997

Bibliografía complementaria

J. Shawe-Taylor, N. Cristianini, Kernel Methods for Pattern Analysis, Cambridge University Press, 2004

C. E. Rasmussen, C. K. I. Williams, Gaussian Processes for Machine Learning, The MIT Press 2006

Programa para imprimir

Este documento puede utilizarse como documentación de referencia de esta asignatura para la solicitud de reconocimiento de créditos en otros estudios. Para su plena validez debe estar sellado por la Secretaría de Estudiantes UIMP.

Documento para la solicitud de reconocimiento de créditos en otros estudios