Esta asignatura ahondará en las principales técnicas dentro del campo de la
clasificación supervisada. Técnicas para el aprendizaje de distintos tipos de
modelos (desde procedimientos clásicos hasta los más recientes), técnicas de
selección de variables multivariadas específicas para entornos supervisados,
procedimientos para la comparativa estadística entre los porcentajes de
acierto de distintos modelos, etc. Todo ello condimentado con aplicaciones y
distintas tecnologías.
A7. Métodos supervisados
102470
2025-26
MÁSTER UNIVERSITARIO EN INVESTIGACIÓN EN INTELIGENCIA ARTIFICIAL
4,5
OPTATIVA
Anual
Castellano
Desde sus inicios la Inteligencia Artificial ha prestado atención a cómo hacer
que aprendan los ordenadores, más que a programar tareas simples. Este campo,
denominado aprendizaje automático, se aplica a tareas que se desea que hagan
los ordenadores y sobre las que tenemos más datos que conocimientos detallados
de cómo han de llevarse a cabo.
Se presentan métodos de aprendizaje supervisado que son altamente utilizados
en aplicaciones reales cuyo planteamiento es un problema de optimización y
cuyo fin es resolver una tarea de clasificación, regresión y ranking. Se
incluyen métodos tales como Regresión Logística, modelos Bayesianos, Redes de
Neuronas Artificiales, Máquinas de Vectores Soporte (SVM) y métodos de
Factorización de matrices. También se estudiarán en esta materia las técnicas
de meta-aprendizaje:
Aprendizaje como optimización.
Regresión y Clasificación.
Regresión Logística, Métodos Bayesianos, Redes neuronales, Métodos Kernel
(SVM), Modelos lineales generalizados, Factorización.
Meta-aprendizaje: boosting, bagging, random-forest.
1. Módulo 1: Introducción a la clasificación supervisada y aplicaciones
2. Módulo 2: Principales algoritmos de aprendizaje supervisado
3. Módulo 3: Uso de tests estadísticos para la comparativa de modelos
supervisados
4. Ejercicio final: flujo de análisis en clasificación supervisada
Elabora y estudia el material de manera secuencial, siguiendo el orden de
unidades-temas propuesto. Realiza los ejercicios de cada tema-unidad tras
estudiar la teoría correspondiente a éste. Anunciaremos los plazos de entrega
de los ejercicios durante el curso.
Unidades
CG1 - Entender los conceptos, los métodos y las aplicaciones de la
inteligencia artificial.
CG3 - Gestionar de manera inteligente los datos, la información y su
representación.
CE2 - Aplicar las técnicas de aprendizaje automático utilizando la metodología
de validación y presentación de resultados más apropiada en cada caso.
CE5 - Analizar las fuentes documentales propias del ámbito de la investigación
en Inteligencia Artificial para poder determinar cuáles de ellas son
relevantes en la resolución de problemas concretos.
A1 - Sesiones presenciales virtuales (clases en vídeo): visionado
del material audiovisual que constituye las lecciones de la asignatura. Se
asume 1.5 veces el tiempo real de vídeo, puesto que el estudiante deberá
parar, repetir, etc. algunas secuencias (17 horas).
A2 - Trabajos individuales: realización de trabajos prácticos
individuales. Se ofrecen una serie de trabajos optativos a los alumno. Sólo
reflejamos la cantidad de trabajo referente al trabajo obligatorio (50 horas).
A3 - Trabajo autónomo: estudio del material básico (videos y
transparencias), lecturas complementarias y otros contenidos. Estudio
encaminado al test de respuestas múltiples (32 horas).
A4 - Foros y chats: participación, lectura y contestación de cuestiones
y temas para la discusión general (8 horas).
A5 - Tutorías: consultas y resolución de dudas, aclaraciones, etc
(5,5 horas).
Puede consultar en este enlace el Cronograma
de Carga de Trabajo.
E1 - Valoración de los cuestionarios de evaluación: test de
20 preguntas de respuestas múltiples sobre las lecciones
(vídeos-transparencias). El peso en la nota final de este apartado es del 40%
del total.
E2 - Valoración de la participación en foros y chats: se
valorará el nivel de participación/debate de los estudiantes. El
peso en la nota final de este apartado es del 10% del total.
E3 - Valoración de los trabajos individuales: el alumno programará
un "pipeline"-flujo que cubra las principales etapas de un análisis
supervisado. El alumno comentará las etapas del "pipeline", las decisiones
tomadas, y analizará los resultados: a partir de una base de datos escogida
por el alumno desde la plataforma "kaggle.com". Para guiarle en la creación
del "pipeline", dispondrá de uno básico ofrecido por los profesores: el alumno
deberá variarlo y enriquecerlo. El peso en la nota final de este apartado el
del 50% del total. Asimismo, se ofrecerá al alumno una serie de trabajos
individuales optativos, cuya realización computará en la nota del apartado E3.
Para aprobar el apartado E1 son necesarios 20 de un máximo de 40 puntos. Para
aprobar el apartado E3 son necesarios 25 puntos de un máximo de 50 puntos.
Para aprobar la asignatura, el alumno debe aprobar los apartados E1 y E3.
Para la convocatoria ordinaria, habrá 3 fechas de entrega de
trabajos final de curso. Los alumnos podrán entregar sus trabajos en cualquier
momento, pero sólo en estas fechas se recogerán y evaluarán los que se hayan
entregado.
Habrá una convocatoria extraordinaria en todas las
asignaturas. Para su evaluación.
Las actas de la convocatoria ordinaria se cerrarán en julio de 2025 y las de
la convocatoria extraordinaria en septiembre de 2025.
Todas las asignaturas estarán en la plataforma a disposición de los
estudiantes desde octubre hasta julio.
M. Fernández-Delgado, E. Cernadas, S. Barro, D. Amorim (2014). Do we need
hundreds of classifiers to solve real world classification problems? Journal
of Machine Learning Research 15, 3133-3181. [link]
G. Brown, A. Pocock, M-J. Zhao, M. Luján (2012). Conditional likelihood
maximisation: a unifying framework for information theoretic feature
selection. Journal of Machine Learning Research 13, 27-66. [link]
C. Bielza, P. Larrañaga (2014). Discrete Bayesian network classifiers: a
survey. ACM Computing Surveys 47(1), 1-43. [link]
Y. Saeys, I. Inza, P. Larrañaga (2007). A review of feature selection
techniques in bioinformatics. Bioinformatics 23(19), 2507-2517. [link]
M. Kuhn, K. Johnson (2013). Applied Predictive Modeling. Springer. [link]
Alpaydin. Introduction to Machine Learning. MIT Press.
R. Duda, P.E. Hart, D.G. Stork. Pattern Classification. Wiley. 2001.
J. Hernández-Orallo, M.J. Ramírez, C. Ferri. Introducción a la Minería de
Datos. Pearson Educación. 2004.
L. Kuncheva. Combining Pattern Classifiers. Wiley. 2004.
S. Sharma. Applied Multivariate Techniques. Wiley. 1996.
A. Webb. Statistical Pattern Recognition. Wiley. 2002.
I. Witten, E. Frank. Data Mining. Morgan Kaufmann. 2ª ed. 2005.
Castillo, E., Gutiérrez, J.M., Hadi, A.S. (1997) Expert Systems and
Probabilistic Network Models. Springer, New York. Versión en español,
disponible en la red: Sistemas Expertos y Modelos de Redes Probabilísticas,
Academia de Ingeniería, Madrid.
Koller, D, Friedman, N. (2009) Probabilistic Graphical Models Principles and
Techniques. The MIT Press.
Koski, T., Noble, J. (2009) Bayesian Networks: An Introduction, Wiley.
Murphy, K.P. (2012) Machine Learning: A Probabilistic Perspective. The MIT
Press.
Neapolitan, R., (2004) Learning Bayesian Networks, Prentice Hall.
Software
paquete caret (R): "classification and regression training with R" [link]
[link CRAN]
bnClassify (R): "learning discrete Bayesian network classifiers from data" [link
en GitHub]
a list of classification software for data mining and analytics [link]
Bayesian networks and Bayesian classifier software [link]
MEKA: a multilabel extension to WEKA [link]
MULAN: a Java library for multilabel learning [link]
Lecturas - Reading
60+ free books on big data, data science, data mining, machine learning,
python, R and more. [link]
Colección con aplicaciones de la minería de datos [link]
Bibliografía
Webs-enlaces
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.
Descripción no definida
Anual
Créditos ECTS: 4,5
Mihaljevic , Bojan
Doctor en Inteligencia Artificial.
Profesor Permanente Laboral.
Universidad Politécnica de Madrid.
Hernández González, Jerónimo
Teaching Assistant
Investigador Postdoctoral en Ciencias de la Computación e Inteligencia Artificial
Universidad del País Vasco
Inza Cano, Iñaki
Doctor en Informática.
Profesor Pleno -- equivalente laboral a Catedrático de Universidad.
Área: Ciencias de la Computación e Inteligencia Artificial.
UPV-EHU.