Gaia
Adimen Txertatua. Ikaskuntza Automatikoa.
Gaiari buruzko datu orokorrak
- Modalitatea
- Ikasgelakoa
- Hizkuntza
- Gaztelania
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.
Irakasleak
Izena | Erakundea | Kategoria | Doktorea | Irakaskuntza-profila | Arloa | Helbide elektronikoa |
---|---|---|---|---|---|---|
ARBELAIZ GALLEGO, OLATZ | Euskal Herriko Unibertsitatea | Irakaslego Osoa | Doktorea | Elebiduna | Konputagailuen Arkitektura eta Teknologia | olatz.arbelaitz@ehu.eus |
GURRUTXAGA GOIKOETXEA, IBAI | Euskal Herriko Unibertsitatea | Irakaslego Agregatua | Doktorea | Elebiduna | Konputagailuen Arkitektura eta Teknologia | i.gurrutxaga@ehu.eus |
PEREZ DE LA FUENTE, JESUS MARIA | Euskal Herriko Unibertsitatea | Irakaslego Agregatua | Doktorea | Elebiduna | Konputagailuen Arkitektura eta Teknologia | txus.perez@ehu.eus |
Gaitasunak
Izena | Pisua |
---|---|
Diseñar, programar y evaluar sistemas en tiempo real | 100.0 % |
Irakaskuntza motak
Mota | Ikasgelako orduak | Ikasgelaz kanpoko orduak | Orduak guztira |
---|---|---|---|
Magistrala | 24 | 25 | 49 |
Mintegia | 6 | 5.5 | 11.5 |
Gelako p. | 4 | 5.5 | 9.5 |
Ordenagailuko p. | 6 | 24 | 30 |
Irakaskuntza motak
Izena | Orduak | Ikasgelako orduen ehunekoa |
---|---|---|
Eskola magistralak | 30.0 | 49 % |
Ordenagailuko praktikak | 70.0 | 20 % |
Ebaluazio-sistemak
Izena | Gutxieneko ponderazioa | Gehieneko ponderazioa |
---|---|---|
Idatzizko azterketa (teoria) | 30.0 % | 30.0 % |
Lan praktikoak | 50.0 % | 50.0 % |
Resolución problemas y Asistencia | 20.0 % | 20.0 % |
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 ordinariaIrakasgai-zerrenda
Aprendizaje automático: introducción y preproceso de datosClasificación 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 obligatoriosOinarrizko 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 RecognitionPattern Recognition Letters
Estekak
http://www.cs.waikato.ac.nz/ml/weka/index.htmlhttp://en.wikipedia.org
http://www.csie.ntu.edu.tw/~cjlin/libsvm/
https://es.mathworks.com/support/learn-with-matlab-tutorials.html