Irakasgaiaren azalpena eta testuingurua

El objetivo del curso es capacitar al alumnado en la aplicación y el diseño de paradigmas de aprendizaje automático para afrontar problemas de diferentes características de una manera eficiente. El alumnado adquirirá la capacidad de aplicar las técnicas propuestas en la bibliografía más adecuadas al problema a resolver y a modificar o diseñar nuevos paradigmas que se adapten mejor a la resolución del problema teniendo en cuenta las restricciones que se derivan de tener que ser aplicados en el ámbito de dispositivos empotrados.



Para ello, se estudiarán las características de algoritmos actuales desde diferentes puntos de vista: eficacia, eficiencia, capacidades explicativas, restricciones de tiempo y espacio, estabilidad, etc. Se presentarán diferentes esquemas de combinación de algoritmos con el objetivo de mejorar el rendimiento de los mismos y se propondrán diferentes metodologías a la hora de comparar el rendimiento de dichos sistemas. A lo largo del curso, se presentarán algunas aplicaciones con las que el grupo investigador ha trabajado en el área del aprendizaje automático.

Ohiko deialdia: orientazioak eta uko egitea

El curso se evaluará teniendo en cuenta los siguientes apartados: asistencia y participación, actividades prácticas (individuales/grupales) y examen de conocimientos mínimos.

Ezohiko deialdia: orientazioak eta uko egitea

Mismas orientaciones que en la convocatoria ordinaria

Irakasgai-zerrenda

Aprendizaje automático: introducción y preproceso de datos

Clasificación supervisada

Combinación de clasificadores

Evaluación y validación

Ejemplos en el contexto de los sistemas empotrados y casos prácticos

Clasificación no supervisada

Plataformas de aprendizaje automático: weka

Bibliografia

Nahitaez erabili beharreko materiala

No se contempla el uso de materiales obligatorios

Oinarrizko bibliografia

HERNÁNDEZ J., RAMÍREZ M.J., FERRI C.: INTRODUCCIÓN A LA MINERÍA DE DATOS. PEARSON PRENTICE HALL, 2004.



HASTIE T., TIBSHIRANI R. FRIEDMAN J.: THE ELEMENTS OF STATISTICAL LEARNING. DATA MINING, INFERENCE AND PREDICTION. SPRINGER-VERLANG, 2001.



KITTLER J., ROLI F.: LECTURE NOTES IN COMPUTER SCIENCE VOL. 1857. MULTIPLE CLASSIFIER SYSTEMS: 1ST. INTER. WORKSHOP, MCS 2000, CAGLIARI, ITALY, SPRINGER,2000.



KARGUPTA H, CHAN P.(ED.): ADVANCES IN DISTRIBUTED AND PARALLEL KNOWLEDGE DISCOVERY. AAAI PRESS / THE MIT PRESS, CALIFORNIA, 2000.

DOMINGOS P.: KNOWLEDGE ACQUISITION FROM EXAMPLES VIA MULTIPLE MODELS. PROC. 14TH INT. CONF. ON MACHINE LEARNING, 1997.



CRAVEN, M.W., SHAVLIK, J.W.: EXTRACTING TREE-STRUCTURED REPRESENTATIONS OF TRAINED NETWORKS. IN ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 8, TOURETZKY ET AL. EDS., MIT PRESS, 1996.

Gehiago sakontzeko bibliografia

B. Sierra (coordinador): Aprendizaje Automático: conceptos básicos y avanzados. Aspectos prácticos utilizando el software WEKA, Pearson Prentice Hall, 2006.







L. Escudero: Reconocimiento de Patrones. Ed: Paraninfo ISBN: 84-283-0898-5, 1977.







B. V. Dasarathy: Nearest Neighbor(NN) Norms: NN Pattern Classification Techniques. Ed: IEEE Computer Society Press., 1991.







R.P. Lippmann: An Introduction to Computing with Neural Nets. IEEE ASSP, pp. 4-22, April 1987.







D. E. Rumelhart, G. E. Hinton, R. J. Williams: Learning Internal Representations by Error Propagation. D.E. Rumelhart, J. MacClelland (Eds.), Parallel Distributed Processing: Explorations in the Microstructure of Cognition, vol. 1: Foundations. The Massachusetts Institute of Technology, Cambridge, MA, USA, 1986.







J. R. Quinlan: Induction of Decision Trees. Machine Learning, 1, pp. 81-106, 1986.







A.K. Jain, R.C. Dubes: Algorithms for clustering data. Prentice-Hall, Inc., 1988.







H. Kargupta, P. Chan(ed.): Advances in Distributed and Parallel Knowledge Discovery. AAAI Press / The MIT Press, California, 2000.







Y. Lu: Machine Printed Character Segmentation-An overview. Pattern Recognition, Vol. 28, No. 1, pp. 67-80, 1995.







S. Impedovo, L. Ottaviano, S. Occhinegro: Optical Character Recognition - A Survey. Character & Handwriting Recognition, Ed: P.S.P. Wang, pp. 1-24, World Scientific series in Computer Science, Vol. 30, 1991.







T. Pavlidis: Structural Pattern Recognition. Ed: Springer-Verlag, Berlín 1977.

Aldizkariak

Pattern Recognition



Pattern Recognition Letters

Estekak

http://www.cs.waikato.ac.nz/ml/weka/index.html



http://en.wikipedia.org



http://www.csie.ntu.edu.tw/~cjlin/libsvm/



https://es.mathworks.com/support/learn-with-matlab-tutorials.html