Descripción:

Comprender los conceptos básicos del aprendizaje computacional, las diferentes técnicas disponibles y su ámbito de aplicabilidad. Ser capaz de aplicar las distintas técnicas de aprendizaje empleando una metodología adecuada. Adquirir el conocimiento necesario para evaluar el rendimiento de las distintas técnicas de aprendizaje cuando se aplican sobre un conjunto de datos y ser capaz de establecer conclusiones sobre su adecuación.

Objetivos:

• Introducir el concepto general de aprendizaje máquina y de la teoría del aprendizaje computacional.
• Introducir al alumno en las distintas técnicas de aprendizaje desde diferentes puntos de vista: estadístico, de la IA simbólica y neuronal.
• Introducir al alumno en las metodologías para la aplicación adecuada de cada una de las técnicas y análisis de resultados.
• Introducir al alumno en las técnicas disponibles para la evaluación de los sistemas de aprendizaje y selección de modelos
• Mostrar al alumno diversas aplicaciones reales del aprendizaje

Bibliografía:

• T. Mitchell, Machine Learning, WCB/McGraw-Hill, 1997.
• D. Michie, D. J. Spiegelhalter, C. C. Taylor (editores), Machine Learning: Neural and statistical classification, Ellis Horwood, 1994
• R. Duda, P. Hart and D. Stork, Pattern Classification, 2ª ed., John Wiley & Sons, 2001
• N. Cristianini, J. Shave-Taylor, An Introduction to Support Vector Machines, Cambridge University Press, 2000
• C. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, 1996
• M. Mitchell, An Introduction to Genetic Algorithms, MIT Press, 1996
• M. Berthold, D. J. Hand, Intelligent Data Analysis. An Introduction, Springer, 1999
• V. Cherkassky, F. Mulier, Learning from data. Concepts, Theory and Methods, John Wiley & Sons, 1998
• T. Terano, K. Asai, M. Sugeno, Fuzzy Systems Theory and Its Applications, Academic Press, 1992
• N. J. Nilsson, Introduction to Machine Learning. Draft of Incomplete Notes (disponible en: http://robotics.stanford.edu/people/nilsson/mlbook.html)
• M. Vidyasagar, Learning and Generalization. With Applications to Neural Networks, 2ª ed., Springer, 2003
• J. C. Hsu, Multiple comparisons. Theory and methods, Chapman & Hall/CRC, 1996.
• E. Alpaydin, Introduction to Machine Learning, The MIT Press, October 2004.

Enlaces:

Temario:

1. Introducción al aprendizaje (1 hora)
• Se introducen los conceptos de clasificación y regresión, características deseables de los clasificadores, perspectiva general de las distintas aproximaciones al aprendizaje y tipos de aprendizaje.
2. Teoría del aprendizaje computacional: estimación del error real, dimensión V-C (3 horas)
3. Aprendizaje estadístico (5 horas)
• Se revisan algunos conceptos estadísticos básicos como probabilidad, remuestreo, inferencia estadística, etc.
• Se analizan los métodos de aprendizaje clásicos: discriminantes lineales y no lineales, métodos bayesianos, etc.
• Métodos estadísticos avanzados: análisis cluster
4. Aprendizaje basado en kernels (5 horas)
• Se introducen los conceptos básicos de los métodos de estimación de funciones de densidad
• Support Vector Machines (SVMs)
5. Aprendizaje basado en árboles de decisión (3 horas)
• Se estudiarán diversos métodos como el ID3 y el C4.5
6. Aprendizaje conexionista (7 horas)
• Se estudian los tipos de redes de neuronas supervisadas y no supervisadas más comunes
• Se introduce el nuevo paradigma de redes funcionales
• Se introducen las redes dinámicas
7. Métodos de búsqueda estocásticos (3 horas)
• Se introducen las técnicas basadas en algoritmos genéticos.
8. Sistemas difusos (3 horas)
9. Metodología experimental y análisis de resultados (7 horas)
• Se analizan las áreas para las que cada una de las técnicas anteriores son más adecuadas
• Se aplican las técnicas estudiadas en los puntos anteriores y se enseña cómo realizar los experimentos (incluyendo el preprocesado de los datos, normalización, etc.) y analizar los resultados
• Se estudian técnicas para estimación del error como la validación cruzada, bootstrap, etc.
10. Métodos de selección de modelos (3 horas)
• Se estudian las técnicas más adecuadas para elegir el modelo óptimo empleando métodos de comparación múltiple.