Cursos de Doctorado

CURSO 2007-2008

Aprendizaje Automático y Data Mining

Profesor Responsable: César Fernández

Programa  Bibliografía  Planificación Transparencias Guiones prácticas Programa WEKA Trabajos propuestos

 

 

 Programa:

1.- Introducción.

 

    - Inteligencia artificial.

    - Aprendizaje automático.

    - Tipos de aprendizaje.

2.- Aprendizaje inductivo.

 

        - Conceptos básicos.

        - Árboles de decisión.

        - Otros modelos.

        - Criterios de selección de modelos.

 

3.- Métodos de aprendizaje inductivo.

 

        - Método del vecino más cercano.

        - Árboles de decisión.

        - Listas de reglas.

        - Aprendizaje Bayesiano.

        - Redes neuronales.

        - Funciones de base radial.

 

4.- Data Mining.

 

5.- Aprendizaje por refuerzo.

 

        - Introducción

        - Modelado mediante estados y acciones.

        - Recompensa retrasada.

        - Aprendizaje Q.

 

6.- Ejemplo de aplicación.

 

 

 

 

---

Bibliografía:

• "Introducción a la minería de datos". J. Hernández Orallo, M. J. Martínez Quintana, C. Ferri Ramírez. Ed. Pearson Prentice Hall, 2004.
• "Machine Learning". Tom M. Mitchell. Ed. McGraw-Hill, 1997.
• "Data Mining" I. H. Witten, E. Frank. Ed. Morgan Kaufmann, 2000.

---

Planificación:

Fecha	Hora	Tipo clase	Aula	Material (transparencias, guiones)
Miércoles 28 de Mayo	18:00 - 21:00	Teoría	0.1 (Torreblanca)	0: Presentación (PDF 1451KB) 1: Introducción (PDF 259KB) 2: Aprendizaje inductivo (PDF 287KB) 3: Métodos de aprendizaje inductivo (PDF 547KB) 4: Métodos de aprendizaje inductivo (continuación) (PDF 2849KB) 5: Data Mining (PDF 197KB) 6: Aprendizaje por refuerzo (PDF 369KB) 7: Ejemplo de aplicación (PDF 2046KB)
Jueves 29 de Mayo	18:00 - 21:00	Teoría	0.1 (Torreblanca)
Viernes 30 de Mayo	18:00 - 21:00	Teoría	0.1 (Torreblanca)
Miércoles 4 de Junio	16:00 - 19:00	Prácticas	Laboratorio 1.1 Automática (Altabix)	P1: Entorno WEKA de aprendizaje automático y Data Mining (PDF 1424KB)             Ejemplos (maquina.xls 17KB) P2: Utilización de WEKA desde la línea de comandos (PDF 88KB)             Ejemplos (datos_1.arff 76KB) (datos_2.arff 73KB) (datos_3.arff 68KB)             Función (lee_weka.m 2KB)
Jueves 5 de Junioo	16:00 - 19:00	Prácticas	Laboratorio 1.1 Automática (Altabix)	P3: Almacenamiento de modelos con WEKA (PDF 104KB) P4: Comparación de métodos de aprendizaje (PDF 60KB)             Ejemplos (robot.arff 76KB)
Por determinar		Exposiciones alumnos	0.1 (Torreblanca)

 

---

Transparencias:

• 0: Presentación (PDF 1700KB)
• 1: Introducción (PDF 259KB)
• 2: Aprendizaje inductivo (PDF 287KB)
• 3: Métodos de aprendizaje inductivo (PDF 547KB)
• 4: Métodos de aprendizaje inductivo (continuación) (PDF 2849KB)
• 5: Data Mining (PDF 197KB)
• 6: Aprendizaje por refuerzo (PDF 369KB)
• 7: Ejemplo de aplicación (PDF 2046KB)

 

---

Guiones prácticas:

 

Hay un total de cuatro prácticas a realizar durante las tres sesiones:

• 1: Entorno WEKA de aprendizaje automático y Data Mining (PDF 1424KB)

            Ejemplos de entrenamiento (maquina.xls 17KB)

• 2: Utilización de WEKA desde la línea de comandos (PDF 88KB)

            Ejemplos de entrenamiento (datos_1.arff 76KB) (datos_2.arff 73KB) (datos_3.arff 68KB)

            Función de lectura de resultados (lee_weka.m 2KB)

• 3: Almacenamiento de modelos con WEKA (PDF 104KB)

• 4: Comparación de métodos de aprendizaje (PDF 60KB)

            Ejemplos de entrenamiento (robot.arff 76KB)

 

---

 

Programa WEKA:

 

El programa WEKA para la realización de las prácticas se puede descargar como un fichero zip:

WEKA_JAVA.ZIP (17.872KB)

• No necesita instalación, basta con extraer todos los ficheros en el directorio que se desee.
• Es necesario tener JAVA instalado en el equipo para poder utilizar WEKA.

 

 

---

 

Trabajos propuestos:

 

Se proponen diversos artículos, con distintos niveles de dificultad. Cada alumno deberá elegir un artículo y realizar un trabajo sobre el mismo.

Este trabajo será entregado en papel y además será expuesto en clase (se debe preparar una exposición de unos 15 minutos).

 

Artículos propuestos:

• A neural network classifier for junk e-mail.
• Autonomous helicopter flight via reinforcement learning.
• A precise control of AC servo motor using neural network PID controller.
• Decoupled temperature control system based on PID neural network.
• A simple reinforcement learning algorithm for biped walking.

 

 

Nota: La mayoría de los documentos requieren el visualizador Adobe Acrobat Reader para leer o imprimir sus contenidos. Este programa está disponible de manera gratuita para la mayoría de las plataformas. Pulsa en el icono de la izquierda para descargar Acrobat Reader.