1 1. DATOS INFORMATIVOS:
MATERIA O MÓDULO: INTELIGENCIA ARTIFICIAL II (Aprendizaje Automático)
CÓDIGO: IS-12653
CARRERA: INGENIERIA DE SISTEMAS
NIVEL: SEPTIMO
No. CRÉDITOS: 4
CRÉDITOS TEORÍA: 2 CRÉDITOS PRÁCTICA: 2 SEMESTRE / AÑO
ACADÉMICO: Segundo Semestre 2011-2012 PROFESOR:
Nombre: Jorge A. Aguilar Jaramillo
Grado académico o título
profesional: Físico, MSc en SIG
Breve indicación de la línea de actividad académica:
Aprendizaje Automático, Sistemas de Información Geográfica y Docencia Universitaria
Indicación de horario de
atención a estudiantes: Plataforma Moodle Correo electrónico: [email protected]
Teléfono: 2252292
2. DESCRIPCIÓN DE LA MATERIA:
El presente curso se enfoca en el tema de aprendizaje automático, minería de datos y reconocimiento de patrones estadísticos. Se brindará una amplia introducción a los diferentes temas que se reforzaran con prácticas de laboratorio semanales.
3. OBJETIVO GENERAL:
Al completar el presente curso, el estudiante estará en capacidad de usar las técnicas de aprendizaje automático más efectivas, no solamente entenderá los
2
Pontificia Universidad Católica del Ecuador
Facultad de Ingeniería
E-MAIL: [email protected] Av. 12 de Octubre 1076 y Roca Apartado postal 17-01-2184 Fax: 593 – 2 – 299 16 56 Telf: 593 – 2 – 299 15 35 Quito - Ecuador
fundamentos teóricos sino que aprenderá a aplicar estas técnicas de manera rápida y segura en nuevos problemas.
4. OBJETIVOS ESPECÍFICOS:
a) Entender y aplicar los algoritmos de aprendizaje supervisado (algoritmos paramétricos /no paramétricos), máquinas de soporte vectorial, núcleos y redes neuronales).
b) Entender y aplicar los algoritmos de aprendizaje no supervisado (agrupamiento, reducción de dimensionalidad, sistemas de recomendación).
c) Conocer las mejores prácticas en el aprendizaje automático (teoría sesgo / varianza; proceso de innovación en el aprendizaje automático e Inteligencia Artificial).
d) Aprender a aplicar los algoritmos de aprendizaje en extracción de modelos a partir de los datos, comprensión del texto, extracción de bases de datos, y otras áreas ya que el curso se basará en estudios de casos y aplicaciones.
5. CONTENIDOS Semana 1 • Introducción
• Regresión lineal con una variable • Revisión de álgebra lineal
Semana 2
• Tutorial Matlab - Octave • Laboratorio: Uso de Matlab Semana 3
• Regresión lineal con múltiples variables
• Laboratorio: Ejercicio de Regresión lineal múltiples variables Semana 4
• Regresión Logística (RL)
• Laboratorio: Ejercicio de programación Regresión logística Semana 5
• Regularización
• Clasificación Uno-contra-todos
• Laboratorio: Ejercicio de programación (RL) uno contra todos: Clasificación Multi-clase
3 Semana 6
• Redes Neuronales
• Laboratorio: Ejercicio de programación de predicción con redes neuronales Semana 7
• Algoritmo de backpropagation
• Laboratorio: Ejercicio de programación de aprendizaje de redes neuronales Semana 8
• Consejos prácticos para la aplicación de algoritmos de aprendizaje • Cómo desarrollar y depurar algoritmos de aprendizaje
Semana 9
• Función y diseño de modelos, configuración de experimentos • Laboratorio: Ejercicio de programación de sesgo y varianza Semana 10
• Máquinas de Soporte Vectorial (SVM)
• • Laboratorio: Ejercicio de programación (SVM) Semana 11
• Aprendizaje no supervisado: Agrupamiento aglomerativo, k-medias • La combinación de aprendizaje supervisado y no supervisado. Semana 12
• Análisis de Componentes principales
• Laboratorio: Ejercicio de programación de ACP Semana 13
• Sistemas de recomendación - Aprender a clasificar • Laboratorio: Ejercicio de programación
Semana 14
• Detección de anomalías
• Laboratorio: Ejercicio de programación Semana 15
• Aprendizaje automático de gran escala/paralelo y grandes volúmenes de datos. • Diseño de aprendizaje automático / métodos prácticos
Semana 16
4
Pontificia Universidad Católica del Ecuador
Facultad de Ingeniería
E-MAIL: [email protected] Av. 12 de Octubre 1076 y Roca Apartado postal 17-01-2184 Fax: 593 – 2 – 299 16 56 Telf: 593 – 2 – 299 15 35 Quito - Ecuador
6. METODOLOGÍA, RECURSOS:
El estudiante es el principal actor en su aprendizaje, el profesor esta para apoyar en este proceso. Por esta razón el estudiante bebe revisar el material disponible: apuntes de clase, lecturas de artículos sobre la temática con la finalidad de aclarar dudas y tener clases lo más participativas.
Para el desarrollo de cada unidad se planteara un problema y un conjunto de preguntas para enfocar al estudiante en la temática, se desarrollara los contenidos y finalmente el estudiante trabajará en estos contenidos y problemas específicos completando el código que resuelva los problemas planteados.
7. EVALUACIÓN:
Se tendrán evaluaciones continuas de los trabajos de laboratorio y pruebas de comprensión teóricas que formaran el 50% de la nota y un examen en las fechas indicadas que
completara el otro 50%
SISTEMA DE CALIFICACIÓN Trabajos para formar la nota parcial:
Participación, Pruebas, Laboratorios 50%
Examen 50%
FECHA DE ENTREGA DE CALIFICACIONES EN SECRETARÍA: Primer parcial: 24 febrero
Segundo Parcial: 30 de marzo Final: 25 de mayo
8. BIBLIOGRAFÍA:
Textos de Referencia:
Aguilar J (2007), Apuntes de Inteligencia Artificial
Ethem Alpaydin (2010) Introduction to Machine Learning, The MIT Press Hilera y Martínez (1995), Redes Neuronales Artificiales, Addison-Wesley Textos Recomendados:
Donald Tveter (1998) The Pattern recognition Basis of Artificial Intelligence, IEEE Computer Society
Haykin Simon (1998) Neural Networks: A Comprehensive Foundation (2nd Edition)
5
SEMANA EVALU
ACION ES
TEMAS A TRATAR (N° del tema, unidad, o capítulo descritos en Contenidos)
(HORAS PRESENCIALES) (HORAS NO PRESENCIALES)
(1 - 16) N° de horas de clases teóricas N° de horas de clases prácticas, laboratorios, talleres N° de horas de tutorías especializadas
ACTIVIDADES (Descripción) N° de horas
1° semana 4 0 Lectura 2 Regresión lineal
2° semana 2 2 Lectura - Laboratorio 4 X Matlab
3° semana 2 2 Lectura - Laboratorio 2 Regresión lineal multivariable
4° semana 2 2 Lectura - Laboratorio 2 X Regresión logística
5° semana 2 2 Lectura - Laboratorio 3 Regularización
6° semana 2 2 Lectura - Laboratorio 2 X Redes Neuronales
7° semana 2 2 Lectura - Laboratorio 3 Algoritmo de aprendizaje de RNA
8° semana 2 2 Lectura 4 Consejos prácticos
9° semana 2 2 Lectura - Laboratorio 3 X Diseño de Modelos
10° semana 2 2 Lectura - Laboratorio 2 X Máquinas de soporte vectorial
11° semana 2 2 Lectura - Laboratorio 3 X Aprendizaje no supervisado
12° semana 2 2 Lectura - Laboratorio 3 X
Análisis de componentes independientes
13° semana 2 2 Lectura - Laboratorio 4 X Detección de anomalías
14° semana 2 2 Lectura - Laboratorio 4 Sistemas de recomededación
15° semana 2 2 Lectura - Laboratorio 4 Diseño de sistemas
16° semana 2 2 Taller 4 X repaso
EXÁMENES: 20 febrero , 26 marzo, 14 mayo
Nota Aclaratoria: Varias actividades están planificadas mediante la plataforma Moodle, y conforman la nota de participación.
6
Aprobado:
Por el Consejo de Escuela
__________________________
f) Director de Escuela fecha: ______________________
Por el Consejo de Facultad
__________________________
f) Decano fecha: ______________________
INFORMACIÓN ADICIONAL PARA LA ELABORACIÓN DEL PROGRAMA Inicio del segundo semestre 2011-2012: 16 de enero de 2012 Fin del segundo semestre 2011-2012: 18 de mayo de 2012
