Presentación de la asignatura

Óscar Belmonte Fernández

Mis datos

Óscar Belmonte Fernández.

Despacho TI-1203-DD.

Página web: http://www3.uji.es/~belfern

Correo electrónico: oscar.belmonte@uji.es

Tutorías

Martes: 12:00 a 13:30

Miércoles: 12:00 a 13:30

Estructura de la asignatura

Actividad	Presenciales	No presenciales
Enseñanzas teóricas	28
Enseñanzas prácticas de laboratorio	20
Evaluación	4
Trabajo personal	60
Trabajo de preparación de exámenes		38
Total	52	98

Relación con otras asignaturas del grado

• IR2119 - Fundamentos de Inteligencia Artificial.
• IR2122 - Reconocimiento de patrones.
• IR2128 - Sistemas inteligentes.

Resultados de aprendizaje

1. Aplicar métodos de regresión lineal y logística a problemas de regresión y clasificación.
2. Aplicar máquinas de vectores soporte a problemas de clasificación lineal y no lineal.
3. Diseñar, implementar y evaluar modelos de aprendizaje profundo para la solución de problemas de representación, clasificación y reconstrucción de imágenes.
4. Aplicar paradigmas de transferencia de aprendizaje basados en modelos de aprendizaje profundo para la solución de problemas con pocos datos o que requieran adaptación de dominio.

Resultados de aprendizaje

5. Aplicar métodos de aprendizaje por refuerzo a la solución de problemas en el ámbito de la robótica.
6. Diseñar e implementar procesos efectivos de entrenamiento y evaluación de sistemas inteligentes.
7. Interpretar índices de rendimiento de procesos de entrenamiento y evaluación de redes profundas.

Temario de teoría

1. Introducción al Aprendizaje Automático.
2. Regresión lineal.
3. Desarrollo de proyectos de Aprendizaje Automático.
4. Regresión logística.
5. Máquinas de soporte vectorial.
6. Aprendizaje profundo.
7. Aprendizaje por refuerzo.

Temario de prácticas

1. Regresión lineal.
2. Regresión logística.
3. Máquinas de soporte vectorial.
4. Aprendizaje profundo.
5. Aprendizaje por refuerzo.

Metodología

Teoría

• Presentación de contenidos teóricos.
• Los contenidos teóricos se evaluarán mediante un examen.

Metodología

Prácticas

• Presentación de las prácticas.
• Las prácticas se realizarán en pareja.
• Presentación del código de resolución de la práctica.
• Las práctica se evalúan como Apta/No apta.

Bibliografía

Bibliografía Básica

1. Aurelien Geron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow 3e: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media; 3rd edición.
2. Christopher M. Bishop. Pattern Recognition and Machine Learning. Springer-Verlag New York Inc.; 2006.

Bibliografía complementaria

1. Stuart J. Russell y Peter Norvig. Artificial Intelligence: A Modern Approach, Global Edition. Pearson Benelux. 2021.
2. Goodfellow, Ian, autor; Bengio, Yoshua, autor; Courville, Aaron. Deep Learning. Cambridge, Massachusetts : The MIT Press, 2016

Sistema de evaluación

Prueba	Ponderación
Evaluación de prácticas	50%
Examen final	50%
Total	100%

Las fechas de los exámenes están en el SIA.

Preguntas