Guía docente de Fundamentos de Aprendizaje Automático Aplicado al Análisis Social (MD6/56/1/4)

1. Introducción a la inteligencia artificial y el aprendizaje automático
2. Métodos no supervisados:

• Clustering
• Reglas de asociación

3. Métodos supervisados

• Aspectos metodológicos del aprendizaje supervisado
• Técnicas de clasificación y regresión no lineal

4. Combinación de modelos

• Comprender los principios básicos del aprendizaje automático, su papel en el ámbito de la inteligencia artificial y las diferencias entre las aproximaciones supervisadas y no supervisadas.
• Conocer las metodologías para el entrenamiento, validación y evaluación de los modelos de aprendizaje automático, así como las dificultades derivadas de las características particulares de los conjuntos de datos.
• Conocer las técnicas principales de aprendizaje supervisado y no supervisado y ser capaces de seleccionar las más adecuadas según cada problema.
• Saber utilizar bibliotecas de programación especializadas para la creación, entrenamiento y aplicación de técnicas de aprendizaje automático.
• Identificar las áreas de aplicación del aprendizaje automático en Ciencia de Datos sociales, las oportunidades y desafíos que estas técnicas ofrecen y las posibles tendencias futuras.

1. Introducción a la inteligencia artificial y al aprendizaje automático

• Inteligencia artificial y Ciencia de Datos
• Aprendizaje automático en Ciencias Sociales: aplicaciones e implicaciones

2. Métodos de aprendizaje automático no supervisado

• Clustering
• Reglas de asociación
• Detección de anomalías

3. Métodos de aprendizaje automático supervisado

• Aspectos metodológicos del aprendizaje supervisado
• Selección y evaluación de modelos
• Técnicas de clasificación y regresión
  • kNN
  • Árboles de clasificación y regresión
  • Bagging y boosting
  • SVMs
  • Redes neuronales
• Combinaciones de modelos

1. Programación en aprendizaje automático: Bibliotecas para diseño y entrenamiento de modelos de aprendizaje automático.
2. Análisis exploratorio de datos y detección de patrones: Resolución de problemas.
3. Clasificación y regresión: Resolución de problemas.

• P. Norvig, S. Russell. Inteligencia Artificial: Un enfoque moderno. Pearson, 2004.
• J. Gironés, J. Casas, J. Minguillón, R. Caihuelas. Minería de Datos: Modelos y Algoritmos. Editorial UOC, 2017.
• A. Geron. Aprende Machine Learning con Scikit-Learn, Keras y Tensorflow. O’Reilly-Anaya, 2020.
• H. Han, M. Kamber, J. Pei. Data Mining: Concepts and techniques. Morgan Kaufmann, 2012.

• Z.H. Zhou. Machine Learning. Springer, 2021.
• M. Kuhn, K. Johnson. Applied Predictive Modeling. Springer, 2013.
• P. Tang, M. Steinbach, A. Karpatne, V. Kumar. Data Mining. Pearson, 2019.
• T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009.

• Coursera, Data Science Fundamentals: https://www.coursera.org/specializations/data-science-fundamentals
• Coursera, Machine Learning Introduction: https://www.coursera.org/specializations/machine-learning-introduction
• DeepLearningAI, AI for Everyone: https://www.deeplearning.ai/courses/ai-for-everyone/
• Towards Data Science: https://towardsdatascience.com

Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca se establece que la convocatoria ordinaria estará basada preferentemente en la evaluación continua del estudiante, excepto para quienes se le haya reconocido el derecho a la evaluación única final.

La calificación final de cada alumno/a se obtendrá mediante la evaluación de:

1. Exámenes de contenidos teórico-prácticos (50%) [SE3]
2. Resolución y documentación de ejercicios de prácticas (40%) [SE9]
3. Resolución de problemas en evaluación continua (10%) [SE1]

Para aprobar la asignatura, será necesario obtener una nota igual o superior al 4 (sobre 10) en cada uno de los apartados 1 y 2 (por separado).

CRITERIOS DE EVALUACIÓN:

Se evaluará el grado de alcance de los objetivos de aprendizaje de la asignatura.

Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca se establece que los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. A ella podrán concurrir todos los estudiantes, con independencia de haber seguido o no un proceso de evaluación continua. De esta forma, el estudiante que no haya realizado la evaluación continua tendrá la posibilidad de obtener el 100% de la calificación mediante la realización de una prueba escrita con carácter presencial.

La calificación final de cada alumno/a se obtendrá mediante la evaluación de:

1. Examen de contenidos teóricos (50%)
2. Examen de contenidos prácticos (50%)

Para aprobar la asignatura, será necesario obtener una nota igual o superior al 4 (sobre 10) en cada uno de los apartados 1 y 2 (por separado).

CRITERIOS DE EVALUACIÓN:

Se evaluará el grado de alcance de los objetivos de aprendizaje de la asignatura.

Siguiendo las normativas de Evaluación y Calificación del Estudiantado de la Universidad de Granada y la Universidad de Salamanca se establece que podrán acogerse a la evaluación única final, el estudiantado que no pueda cumplir con el método de evaluación continua por causas justificadas.

Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura o en las dos semanas siguientes a su matriculación si ésta se ha producido con posterioridad al inicio de las clases o por causa sobrevenidas. Lo solicitará, a través del procedimiento electrónico, a la Coordinación del Máster, quien dará traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.

La calificación final de cada alumno/a se obtendrá mediante la evaluación de:

1. Examen de contenidos teóricos (50%)
2. Examen de contenidos prácticos (50%)

Para aprobar la asignatura, será necesario obtener una nota igual o superior al 4 (sobre 10) en cada uno de los apartados 1 y 2 (por separado).

CRITERIOS DE EVALUACIÓN:

Se evaluará el grado de alcance de los objetivos de aprendizaje de la asignatura.

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

• R, RStudio.
• Python, Thonny, Visual Studio Code.