Documento	Primer Apellido	Segundo Apellido	Nombre	Categoria	Coordinador
24201405T	PIZARRO	JUNQUERA	JOAQUIN	PROFESOR TITULAR UNIVERSIDAD

Id. Compentencia	Orden	ID	Resultado formación y aprendizaje	Competencia
29046	2	CG09	Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión de Ingeniero Técnico en Informática.	COMPETENCIA GENERAL
29062	3	CO07	Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.	COMPETENCIA ESPECÍFICA
33155	2	CB5	Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía	COMPETENCIA GENERAL

ID/ Orden	Resultado
1	Ser capaz de conocer los fundamentos, paradigmas y técnicas propias de los Sistemas Inteligentes
2	Ser capaz de conocer y desarrollar técnicas de Aprendizaje Computacional
3	Ser capaz de diseñar e implementar aplicaciones y sistemas que utilicen las técnicas de Aprendizaje Computacional, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos
4	Se capaz de adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación

Total de actividades de docencia presencial:

Total de otras actividades:

Total de la asignatura:

Tipo actividad formativa	Código	Descripción	Horas	Detalle
1	01	Teoría	24	Modalidad Organizativa: Clases teóricas y prácticas de Aula. Métodos de Ensañanza-Aprendizaje: Método expositivo/lección magistral y resolución de ejercicios y problemas.
3	03	Prácticas de informática	36	Modalidad Organizativa: Clases prácticas Método de Ensañanza-Aprendizaje: Aprendizaje basado en problemas. En el contexto de esta modalidad organizativa y mediante el método de aprendizaje, indicado se impartirán las unidades prácticas correspondientes a los contenidos de la asignatura. Se propondrán una serie de ejercicios prácticos sobre el diseño de algoritmos y programación de éstos, lo cuales deberán ser realizados por los alumnos durante las sesiones prácticas.
10	10	Actividades formativas no presenciales	86,00	Estudio individual o en grupo sobre los contendios de la materia. Actividades académicas dirigidas no presenciales coordinadas. Desarrollo coordinado de aplicaciones informáticas aplicadas a un problema específico relacionado con el Aprendizaje Computacional.
12	12	Actividades de evaluación	4,00	Realización del examen final

Procedimientos de Evaluación

ID/ Orden	Tarea / Actividad	Medios, Técnicas e Instrumentos	Ponderación
1	Realización de prácticas y trabajos en aulas de informática.	Entrega y/o defensa de ejercicios prácticos sobre Aprendizaje.	50 %
2	Examen final	Pruebas escritas de acreditación de las competencias	50 %

Criterios de Evaluación

(EP)  A lo largo del curso se irán realizando entrega/defensa de ejercicios prácticos.  Se evaluará de cero a diez.

(EF) El examen final tendrá carácter teórico-práctico y englobará la totalidad de los contenidos de la asignatura. Se evaluará de cero a diez.

(CF) La calificación final de la asignatura en la convocatoria natural vendrá dada por la siguiente expresión CF=0.5*EP + 0.5*EF.  En el resto de las convocatorias la calificación final vendrá dada por CF= 0.1*EP + 0.9*EF.  La obtención de EP<4, EF<4 o CF<5 supondrá el suspenso en la asignatura.  En caso de no superarse la asignatura, la calificación se otorgará según lo dispuesto en el art 15.3 del Reglamento de Evaluación.  

El alumnado podrá acogerse a la evaluación global en los plazos y términos establecidos en la normativa en vigor que la regula.

En el caso de copia total o parcial de exámenes o prácticas, así como cualquier otro tipo de fraude detectado por los profesores se aplicarán las normas vigentes respecto a este tema indicadas en el régimen disciplinario y el reglamento de evaluación.

ID/ Orden	Temario	Descripción
1	Contenidos Teóricos. 1 Concepto de Aprendizaje 1-1 Introducción 1-2 Estrategias de Aprendizaje 2 Aprendizaje Inductivo 2-1 Concepto 2-2 Riesgo de Predicción 2-3 Máquina de Aprendizaje 2-4 Aprendizaje en Regresión 2-5 Dilema Bias-Variaza 3 Control de la Complejidad 3-1 Selección de Modelos 3-2 Métodos de Penalización 3-3 Métodos de Remuestreo 3-4 Combinación de Modelos 4 Aprendizaje Supervisado con RRNN 4-1 Introducción a las RRNN 4-2 Perceptrón y Adaline 4-3 Redes de Base Radial 4-4 Backpropagación 5 Aprendizaje No supervisado con RRNN 5-1 Redes Recurrentes 5-2 Redes Auto-organizativas 6 Aprendizaje Profundo 6-1 Redes Convolucionales. 6-2 Clasificación de imágenes 6.3 Segmentación Semántica 6-4 Detección de Objetos 6-5 Otros modelos de redes: GAN, LSTM, etc
2	Contenidos Prácticos Resolución de problemas prácticos sobre Aprendizaje por medio de un lenguaje de programación.

ID/ Orden

Temario

Descripción

Contenidos Teóricos.

1 Concepto de Aprendizaje
1-1 Introducción
1-2 Estrategias de Aprendizaje
2 Aprendizaje Inductivo
2-1 Concepto
2-2 Riesgo de Predicción
2-3 Máquina de Aprendizaje
2-4 Aprendizaje en Regresión
2-5 Dilema Bias-Variaza
3 Control de la Complejidad
3-1 Selección de Modelos
3-2 Métodos de Penalización
3-3 Métodos de Remuestreo
3-4 Combinación de Modelos
4 Aprendizaje Supervisado con RRNN
4-1 Introducción a las RRNN
4-2 Perceptrón y Adaline
4-3 Redes de Base Radial
4-4 Backpropagación
5 Aprendizaje No supervisado con RRNN
5-1 Redes Recurrentes
5-2 Redes Auto-organizativas
6 Aprendizaje Profundo
6-1 Redes Convolucionales.
6-2 Clasificación de imágenes
6.3 Segmentación Semántica
6-4 Detección de Objetos
6-5 Otros modelos de redes: GAN, LSTM, etc

Contenidos Prácticos

Resolución de problemas prácticos sobre Aprendizaje por medio de un lenguaje de programación.

Bibliografía

Bibliografía Básica


A. Smola "Introduction to machine learning" Cambrige Univ.Press 2008
Michael R. Berthold, Christian Borgelt, Frank Höppner and Frank Klawonn. "Guide to Intelligent Data Analysis. How to Intelligently Make Sense of Real Data" Springer 2010.
E. Alpaydin. "Introduction to Machine Learning", MIT Press, 2010
Pajares, de la Cruz, "Aprendizaje Automatico. Un enfoque práctico" RA-MA 2010 
Weiss S, – Computer System that Learn. Morgan Kaufmann Publishers, INC. SanMateo, California. 1990
Mitchell, T. Machine Learning. McGraw-Hill. 1997
P. Kim, Matlab Deep Learning with Machine Learning, Neural Network and Artificial Intelligence, Apress 2017

Bibliografía Específica

C. Bishop - "Pattern Recognition and machine learning" Springer 2006
Yaser S. Abu-Mostafa - "Learning from data" AMLbook.com 2012
Hilera J. – Redes Neuronales Artificiales. Fundamentos, Modelos y Aplicaciones. Rama. 1995
Holland J.H. - Adaptation in Natural and Artificial Systems. Ann Arbor, The University of Michigan Press. 1975
Isasi P. – Redes Neuronales Artificiales. Un enfoque práctico. Pearson. Pentice-Hall. 2003Nilsson, 
N.J. – Artificial Inteligente: A new Síntesis. Morgan Kaufmann. 1998
Bishop,C. "Neural Network for Pattern Recognition" Clarendon Press-Oxford 1995
Quinlan, J.R. C4.5: Programs for Machine Learning. San Mateo, Ca. Morgan Kauffmann. 1993
 Charu C. Aggarwal. Neural Networks and Deep Learning: A Textbook. Springer, 2018

Comentarios / Observaciones Adicionales

El trabajo personal constante del alumno constituye una parte fundamental de su proceso de aprendizaje y complementa las actividades formativas presenciales. Dicho trabajo personal es especialmente importante en el contexto de esta asignatura que posee un carácter eminentemente práctico e instrumental.

UniversidaddeCádiz

Programa Docente de 21714028 - APRENDIZAJE COMPUTACIONAL