Nombre: TECNOLOGÍAS PARA INTELIGENCIA ARTIFICIAL
Código: 247101009
Carácter: Obligatoria
ECTS: 6
Unidad Temporal: Cuatrimestral
Despliegue Temporal: Curso 1º - Segundo cuatrimestre
Menciones/Especialidades:
Lengua en la que se imparte: Castellano
Carácter: Presencial
Nombre y apellidos: ALCARAZ ESPÍN, JUAN JOSÉ
Área de conocimiento: Ingeniería Telemática
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 968326544
Correo electrónico: juan.alcaraz@upct.es
Horario de atención y ubicación durante las tutorias:
martes - 16:00 / 19:00
ANTIGONES, planta 1, Despacho 14
jueves - 16:00 / 19:00
ANTIGONES, planta 1, Despacho 14
Se recomienda avisar con antelación por correo electrónico enviando un mensaje a: juan.alcaraz.upct.es
Titulaciones:
Categoría profesional: Profesor Titular de Universidad
Nº de quinquenios: 4
Nº de sexenios: 3 de investigación
Curriculum Vitae: Perfil Completo
Nombre y apellidos: LOSILLA LÓPEZ, FERNANDO
Área de conocimiento: Ingeniería Telemática
Departamento: Tecnologías de la Información y las Comunicaciones
Teléfono: 968338866
Correo electrónico: fernando.losilla@upct.es
Horario de atención y ubicación durante las tutorias:
jueves - 10:30 / 13:00
ANTIGONES, planta 1, Despacho Despacho 16
jueves - 15:30 / 18:30
ANTIGONES, planta 1, Despacho Despacho 16
Tutorías en despacho y Teams. Consultad en aula virtual las modificiaones puntuales en los días de tutorías. Posibilidad de atender fuera de horario de tutorías previo aviso por email al profesor.
Las tutorías se realizarán a demanda del estudiante mediante solicitud remitida al correo fernando.losilla@upct.es
Titulaciones:
Doctor en Telecomunicación en la Universidad Politécnica de Cartagena (ESPAÑA) - 2009
Categoría profesional: Profesor Contratado Doctor
Nº de quinquenios: 3
Nº de sexenios: 2 de investigación
Curriculum Vitae: Perfil Completo
[CB6 ]. Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
[CG4 ]. Ampliar las fronteras del conocimiento a través de una investigación original.
[CE2 ]. Emplear técnicas de inteligencia artificial en problemas de Ingeniería Telemática.
[CE3 ]. Diseñar y llevar a cabo experimentos con algoritmos de aprendizaje supervisado, no supervisado y reforzado.
[CT5 ]. Aplicar a la práctica los conocimientos adquiridos
Al finalizar el plan formativo, el estudiante debe ser capaz de:
Identificar tipo y metodología para los problemas de aprendizaje automático.
Formular problemas de aprendizaje automático y describir los algoritmos que los resuelven empleando su base matemática.
Aplicar métodos de reducción de dimensionalidad.
Elaborar modelos de sistemas que permitan formular y resolver problemas mediante aprendizaje reforzado.
Implementar, configurar y evaluar algoritmos de aprendizaje automático.
Introducción: Tipos de aprendizaje, aplicaciones, etc.<br>Aprendizaje supervisado: decision trees, random forest y ensembles, SVM, etc.<br>Aprendizaje no supervisado: k-means, k-scale, etc.<br>Técnicas para deep learning: CNNs, RNNs, aplicaciones<br>Aprendizaje reforzado: métodos tabulares, métodos basados en VFA, metodos basados en Policy Gradient<br>Introducción a otras técnicas de RL, aplicaciones<br>Otras técnicas de Inteligencia Artificial no basadas en aprendizaje<br><br><br><br><br><br><br><br><br><br><br>
Aprendizaje supervisado y no supervisado
Tema 0: Introducción a Machine Learning.
Tema 1: Regresión lineal.
Tema 2: Regresión logística y k-Nearest Neighbours (kNNs)
Tema 3: Clustering y detección de anomalías.
Tema 4: Reducción de dimensionalidad.
Tema 5: Máquinas de Vector Soporte (SVMs).
Tema 6: Redes neuronales.
Aprendizaje por refuerzo
Tema 7: Introducción al Aprendizaje por Refuerzo (RL).
Tema 8: Métodos Monte Carlo (MC).
Tema 9: Métodos Temporal Difference (TD).
Tema 10: Métodos basados en Aproximación de la Función Valor (VFA).
Tema 11: Métodos de Gradiente de la Política (Policy Gradient).
Tema 12: Métodos avanzados.
Aprendizaje supervisado y no supervisado
Práctica 1: Regresión Lineal. Práctica 2: Regresión Logística y k-NN. Práctica 3: Clustering y detección de anomalías. Práctica 4: Técnicas de Reducción de Dimensionalidad. Práctica 5: Máquinas de Vector Soporte. Práctica 6: Redes Neuronales Artificiales.
Aprendizaje por refuerzo
Práctica 7: Métodos Monte Carlo. Práctica 8: Temporal Difference. Práctica 9: VFA semi gradiente. Práctica 10: VFA SARSA Lambda y RL por lotes. Práctica 11: Policy Gradient Monte Carlo. Práctica 12: Actor Critic.
La Universidad Politécnica de Cartagena considera como uno de sus principios básicos y objetivos fundamentales la promoción de la mejora continua de las condiciones de trabajo y estudio de toda la Comunidad Universitaria. Este compromiso con la prevención y las responsabilidades que se derivan atañe a todos los niveles que integran la Universidad: órganos de gobierno, equipo de dirección, personal docente e investigador, personal de administración y servicios y estudiantes. El Servicio de Prevención de Riesgos Laborales de la UPCT ha elaborado un "Manual de acogida al estudiante en materia de prevención de riesgos" que puedes encontrar en el Aula Virtual, y en el que encontraras instrucciones y recomendaciones acerca de cómo actuar de forma correcta, desde el punto de vista de la prevención (seguridad, ergonomía, etc.), cuando desarrolles cualquier tipo de actividad en la Universidad. También encontrarás recomendaciones sobre cómo proceder en caso de emergencia o que se produzca algún incidente. En especial, cuando realices prácticas docentes en laboratorios, talleres o trabajo de campo, debes seguir todas las instrucciones del profesorado, que es la persona responsable de tu seguridad y salud durante su realización. Consúltale todas las dudas que te surjan y no pongas en riesgo tu seguridad ni la de tus compañeros.
Supervised and Unsupervised Learning
0 Introduction to Machine Learning.
1 Linear regression.
2 Logistic regression and k-Nearest Neighbours (kNNs).
3 Clustering and Detection of Anomalies.
4 Dimensionality Reduction.
5 Vector Support Machines (SVMs).
6 Neural Networks.
Reinforced Learning
7 Introduction to Reinforced Learning (RL).
8 Monte Carlo Methods.
9 Temporal Difference.
10 Methods based on Value Function Approximation (VFA).
11 Policy Gradient Methods.
12 Advanced Methods.
Clase magistral participativa
Se impartirán los contenidos del programa de teoría detallados en esta guía.
Las clases del bloque de "aprendizaje supervisado y no supervisado" están orientadas a la consecución de los resultados de aprendizaje 1,2,3 y 5.
Las clases del bloque de "aprendizaje por refuerzo" están orientadas a la consecución de los resultados de aprendizaje 1,2,4 y 5.
Se dedicarán sesiones de teoría o partes de las mismas a la resolución de cuestiones y ejercicios.
30
100
Clase orientada a la resolución de problemas y casos de estudio
Se desarrollará el programa de prácticas detallado en esta guía.
Las prácticas del bloque de "aprendizaje supervisado y no supervisado" (P1-P6) están orientadas a la consecución de los resultados de aprendizaje 1,2,3, y 5.
Las prácticas del bloque de "aprendizaje por refuerzo" (P7-P12) están orientadas a la consecución de los resultados de aprendizaje 1,2,4, y 5.
28
100
Clase práctica en laboratorio
Charla o conferencia de un profesional destacado en el ámbito de inteligencia artificial y el análisis de datos
0
100
Asistencia a seminarios, conferencias, visitas guiadas, etc.
0
100
Presentación de trabajos ante el profesor
Realización de pruebas de evaluación parciales.
2
100
Realización de pruebas de evaluación (tiempo de duración de los exámenes y otras pruebas de evaluación en el aula)
Realización de pruebas de evaluación del sistema de evaluación final que incluye los parciales de teoría y las actividades de evaluación de prácticas.
4
100
Estudio personal o en grupo de alumnos
Consultas atendidas por alguno de los profesores individualmente o en pequeños grupos sobre cualquier aspecto teórico o práctico de la asignaturas. Los alumnos podrán escoger si la tutoría es presencial o telemática.
4
50
Preparación de trabajos y ejercicios (incluye tiempo para consulta bibliográfica y documentación)
Realización de los entregables de prácticas y los ejercicios propuestos.
Estudio de los contenidos de teoría. Visualización de videos.
112
0
Examen final
El sistema de evaluación continua contempla dos actividades de evaluación tipo examen que se realizarán durante los correspondientes periodos de exámenes parciales en la fecha determinada por la ETSIT.
Examen Parcial 1:
Contenidos: aprendizaje supervisado y no supervisado
Resultados de aprendizaje evaluados: 1,2,3
Peso en la calificación final: 10%
Examen Parcial 2:
Contenidos: aprendizaje por refuerzo
Resultados de aprendizaje evaluados: 1,2,4
Peso en la calificación final: 10%
La metodología de evaluación en ambas actividades es mediante un cuestionario con preguntas de carácter teórico y calificación numérica.
Estas actividades no tienen asociada calificación mínima.
20 %
Entrega de problemas
El sistema de evaluación continua contempla 2 actividades del tipo "entrega de problemas", una por cada bloque de la asignatura:
Actividad 1, entrega de problemas del bloque "aprendizaje supervisado y no supervisado" :
- Resultados de aprendizaje evaluados: 1,2,3
- Peso en la calificación final: 4 %
- Planificación temporal: antes del primer periodo de exámenes parciales.
Actividad 2, entrega de problemas del bloque "aprendizaje por refuerzo" :
- Resultados de aprendizaje evaluados: 1,2,4
- Peso en la calificación final: 4 %
- Planificación temporal: antes del segundo periodo de exámenes parciales.
Metodología de evaluación en ambas actividades: Problemas y ejercicios propuestos por el profesor para resolver de forma individual. Por cada problema o ejercicio se asignará una calificación numérica.
Calificación mínima: Estas actividades no tienen asociada calificación mínima.
8 %
Entrega de prácticas
El sistema de evaluación continua contempla 12 actividades de evaluación del tipo "Entrega de prácticas", una por cada práctica del programa de prácticas descrito en esta guía docente. Estas 12 actividades se agrupan en 2 conjuntos de actividades de evaluación de 6 actividades cada uno:
Actividad 1: Conjunto de prácticas de aprendizaje supervisado y no supervisado:
- Actividades de evaluación la componen: P1 - P6
- Resultados de aprendizaje evaluados: 1,2,3,5
- Peso en la calificación final: 36 % (6% por cada actividad del conjunto)
Actividad 2: conjunto de actividades de prácticas de aprendizaje por refuerzo:
- Actividades de evaluación la componen: P7-P12
- Resultados de aprendizaje evaluados: 1,2,4,5
- Peso en la calificación final: 36 % (6% por cada actividad del conjunto)
Metodología de evaluación: Por cada práctica se realizará un informe que contendrá ejercicios y retos de programación, experimentación, representación de resultados y cuestiones. Por cada ejercicio o cuestión se asignará una calificación numérica.
Planificación temporal: La entrega del informe de cada práctica se realizará durante la semana posterior a la finalización de la correspondiente práctica (P1-P12).
Calificación mínima: Estas actividades no tienen asociada calificación mínima.
72 %
Entrega de proyectos
N/A
0 %
Entrega de estudio de casos
N/A
0 %
Examen final
El examen del sistema de evaluación final consta de 4 actividades de evaluación:
- Actividad 1: Cuestionario de carácter teórico equivalente al examen parcial 1 del SEC. Ponderación: 10 %.
- Actividad 2: Cuestionario de carácter teórico equivalente al examen parcial 2 del SEC. Ponderación: 10 %.
- Actividad 3: Examen de ejercicios de carácter práctico equivalente al conjunto de actividades de evaluación de prácticas de "aprendizaje supervisado y no supervisado" del SEC. Ponderación: 36 %.
- Actividad 4: Examen de ejercicios de carácter práctico equivalente al conjunto de actividades de evaluación de prácticas de "aprendizaje por refuerzo" del SEC. Ponderación: 36 %.
Los resultados de aprendizaje evaluados en cada actividad del sistema de evaluación final son los mismos que en sus correspondientes actividades del sistema de evaluación continua.
92 %
Entrega de problemas
El sistema de evaluación final contempla 2 actividades del tipo "Entrega de problemas", equivalentes a las descritas en el sistema de evaluación continua:
Actividad 1: entrega de problemas del bloque "aprendizaje supervisado y no supervisado".
Actividad 2: entrega de problemas del bloque "aprendizaje por refuerzo".
Para cada actividad, la metodología de evaluación, los resultados de aprendizaje evaluados y la ponderación, son los mismos que en su actividad equivalente en el sistema de evaluación continua.
Calificación mínima: Estas actividades no tienen asociada calificación mínima.
8 %
Para aprobar se debe obtener una calificación global igual o superior a 5 sobre 10, calculada a partir de las calificaciones obtenidas en cada actividad de evaluación con la ponderación indicada en esta guía docente.
No se establecen calificaciones mínimas para ninguna de las actividades de evaluación de esta asignatura.
Presentarse a una actividad del sistema de evaluación final IMPLICA RENUNCIAR a la calificación obtenida en dicha actividad del sistema de evaluación continua. Dicha renuncia solo tendrá efecto para la convocatoria en la que se presenta el estudiante.
Autor: Tom Mitchell
Título: Machine learning
Editorial: McGraw-Hill Education
Fecha Publicación: 1997
ISBN: 0070428077
Autor: Christopher M. Bishop
Título: Neural networks for pattern recognition
Editorial: Oxford University Press
Fecha Publicación: 1996
ISBN: 9780198538646
Autor: Aurélien Géron
Título: Hands-on machine learning with Scikit-Learn and TensorFlow
Editorial: O¿Reilly
Fecha Publicación: 2019
ISBN: 1492032646
Autor: Richard Sutton, Andrew Barto
Título: Reinforcement learning: An introduction
Editorial: MIT Press
Fecha Publicación: 2018
ISBN: 0262039249
Autor: Mark Lutz
Título: Learning python: Powerful object-oriented programming
Editorial: Shroff - O'Reilly
Fecha Publicación: 2013
ISBN: 9351102017
Autor: Jake VanderPlas
Título: Python Data Science Handbook: Tools and Techniques for Developers
Editorial: O'Reilly Media
Fecha Publicación: 2016
ISBN: 9781491912058
Autor: Dimitri Bertsekas
Título: Reinforcement Learning and Optimal Control
Editorial: Athena Scientific
Fecha Publicación: 2019
ISBN: 1886529396
Curso de Reinforcement Learning en el University College de Londres. URL: http://www0.cs.ucl.ac.uk/staff/d.silver/web/Teaching.html
Algorithms for Reinforcement Learning, libro descargable en URL https://sites.ualberta.ca/~szepesva/RLBook.html