Gaia
Ikaste automatikoa ekoizpen-sistemetan
Gaiari buruzko datu orokorrak
- Modalitatea
- Ikasgelakoa
- Hizkuntza
- Gaztelania
Irakasgaiaren azalpena eta testuingurua
El aprendizaje automático, en muchos casos, consiste fundamentalmente en el aprendizaje de reglas a partir de los datos, y por eso muchas de las técnicas de aprendizaje automático son utilizadas en la actualidad en la Minería de Datos.La incorporación de agentes de decisión inteligente, redes neuronales, sistemas expertos, algoritmos genéticos y autómatas programables para optimización de sistemas de producción es una tendencia activa en el ambiente industrial de países con alto desarrollo tecnológico.
Todo proceso industrial es evaluado por la calidad de su producto final, por ejemplo,esto hace de la etapa de control de calidad una fase crucial del proceso. Los mecanismos utilizados para establecer la calidad de un producto varían dependiendo de los parámetros que tengan relevancia en el mismo.
Irakasleak
Izena | Erakundea | Kategoria | Doktorea | Irakaskuntza-profila | Arloa | Helbide elektronikoa |
---|---|---|---|---|---|---|
RIO BELVER, ROSA MARIA | Euskal Herriko Unibertsitatea | Unibertsitateko Katedraduna | Doktorea | Elebakarra | Enpresen Antolakuntza | rosamaria.rio@ehu.eus |
Gaitasunak
Izena | Pisua |
---|---|
Ser capaz de aplicar métodos y estrategias avanzadas en la gestión de la producción desde el paradigma del Aprendizaje Automático | 25.0 % |
Adquirir habilidades avanzadas para la extracción de datos así como para la estimación de dependencias o estructuras desconocidas utilizando un número limitado de datos | 25.0 % |
Adquirir habilidades de trabajo en equipo para abordar, de manera eficiente, tareas cooperativas en el contexto de una organización empresarial | 25.0 % |
Adquirir conocimientos avanzados de las tendencias predominantes en el entorno actual de las distintas políticas funcionales (marketing, producción, logística, finanzas, recursos humanos, liderazgo, calidad, emprendizaje). | 25.0 % |
Irakaskuntza motak
Mota | Ikasgelako orduak | Ikasgelaz kanpoko orduak | Orduak guztira |
---|---|---|---|
Magistrala | 15 | 20 | 35 |
Gelako p. | 10 | 20 | 30 |
Ordenagailuko p. | 5 | 5 | 10 |
Irakaskuntza motak
Izena | Orduak | Ikasgelako orduen ehunekoa |
---|---|---|
Ariketak | 30.0 | 33 % |
Azalpenezko eskolak | 35.0 | 44 % |
Kasuen analisia | 10.0 | 50 % |
Ebaluazio-sistemak
Izena | Gutxieneko ponderazioa | Gehieneko ponderazioa |
---|---|---|
Garatu beharreko galderak | 20.0 % | 20.0 % |
Idatzizko azterketa | 40.0 % | 40.0 % |
Lan praktikoak | 40.0 % | 40.0 % |
Irakasgaia ikastean lortuko diren emaitzak
En el nivel de Máster que aquí nos ocupa, se parte de graduados en ingeniería de cualquier rama y especialidad, y se trata de capacitarles para comprender los factores clave que determinan el comportamiento de las organizaciones en sus procesos del USO DE LOS DATOS con conceptos de Machine Learning, con especial énfasis en aquellas organizaciones en que la tecnología desempeña un papel relevante. En consecuencia, se desarrolla la visión estratégica que facilita el posicionamiento de la organización y en el USO DE LOS DATOS en sus procesos, y se adquiere la capacidad de diseñar y rediseñar organizaciones y sistemas socio-técnicos de mayor complejidad característicos del entorno globalizado actual. En este sentido, la asignatura Aprendizaje Automático en Sistemas de Producción aporta una profundización en el conocimiento y diagnóstico de las diversas situaciones problemáticas en las que se encuentran las complejas organizaciones actuales, así como los enfoques (frameworks), métodos y técnicas para abordar tanto la resolución de los problemas, como el cambio tecnológico y organizativo necesarios para su puesta en prácticaOhiko deialdia: orientazioak eta uko egitea
La puntuación final de la convocatoria ordinaria de esta asignatura vendrá dada por el promedio ponderado de las actividades descritas en esta guía docente en su sección "Herramientas y porcentajes de calificación". Para aplicar la ponderación es necesario haberse presentado y haber aprobado el examen final tipo problema a desarrollar.La no presentación al examen final implica la renuncia a la convocatoria.
Se debe comunicar la renuncia a la evaluación continua (Incluso habiéndose iniciado) para lo que dispondrá de un plazo de 9 semanas.
Ezohiko deialdia: orientazioak eta uko egitea
En la convocatoria extraordinaria se realizará una única prueba final cuyo valor será del 100% de la asignatura.Para renunciar a la convocatoria extraordinaria será suficiente con no presentarse a la misma.
Irakasgai-zerrenda
Introducción, Clasificación, Regresión, ProbabilidadEsquema general del aprendizaje. Reconocimiento de patrones.
Áreas relacionadas con el aprendizaje.
Aprendizaje y estadística. Agrupamiento Borroso.
Clasificador paramétrico: Bayes.
Clasificador no paramétrico: ventana de Parzen
Combinación de clasificadores: No entrenables y entrenables.
Aplicación práctica. Planificación y Scheduling. Ejercicio del curso.
Elementos de una red neuronal. Ventajas de las redes neuronales.
El proceso de aprendizaje. Tipos de aprendizaje.
Redes hacia adelante (Feed-Forward).
Redes competitivas.
Ejemplo.
Introducción, SVM para clasificación: caso separable y no separable.
Resolución de un problema biclase con funciones núcleo. Problemas multiclase.
Aplicación práctica: Etapas de procesamiento, entrenamiento y validación.
Con algoritmos genéticos: AG frente a otras técnicas, Aplicación de AG, Aplicación de AG.
-Mediante arboles decisión: Algoritmo ID3, Árbol decisión Fuzzy. Aplicación práctica.
-Razonamiento basado en casos: Estructura principal y problemática. Ciclo básico de un CBR, Estructura de los casos, Recuperar, Reutilizar, Revisar y Recordar. Aplicación Práctica.
-Aprendizaje por refuerzo. Aprendizaje y refuerzo, Asignación de crédito temporal,Funciones de Valor, Analisis de componentes y Conclusiones.
Bibliografia
Nahitaez erabili beharreko materiala
Apuntes clase profesor.Oinarrizko bibliografia
- Inteligencia Artificial,Técnicas, métodos y aplicaciones, José T. Palma Méndez y Roque Martín Morales. Ed.Mc Graw Hill.2008- Simulación.Métodos y aplicaciones,2ªEdición. David Ríos Insua, et all.Ed.Ra-Ma.2008
Gehiago sakontzeko bibliografia
- Optimización Inteligente,Técnicas de Inteligencia computacional para Optimización.Gonzalo Joya Caparrós et all. Ed.Universidad de Málaga 2007- Aplicacion de las redes neuronales artificiales a la regresión. Quintin Martín Martín, Yanira del Rosario de Paz Santana.Ed. La Muralla 2007.
- Aplicaciones de las redes neuronales artificiales a la estadistica. Mª Luisa Pérez Delgado, Quintin Martín Martín. Ed.La Muralla.2007
- Técnicas de Análisis Multivariante de Datos . Aplicaciones con SPSS.Cesar Perez.Ed.Prentice Hall.2005
- Aprendizaje automatico:Conceptos básicos y avanzados,aspectos prácticos utilizando el software WE.Basilio Sierra.Ed.Pearson.2006
- Aprendizaje automatico.Gonzalo Pajares Martinsanz.Ed RA-MA.2010
- Modelado y simulación. Aplicación a procesos logísticos. ANTONI GUASCH.
Aldizkariak
- BEIO.(Boletín de Estadística e IO)- Aprendizaje automático de la máquina(Springer link)Mensual.
Estekak
Machine learning and systems engineering [Recurso electrónico] / Sio-Iong Ao, Burghard Rieger, Mahyar A. Amouzegar [editors].Impreso Springer, Dordrecht ; New York : c2010.
- http://dx.doi.org/10.1007/978-90-481-9419