| ||||
 English
|
 Información de la asignatura |
Curso académico: 2005/2006
|
Horario
 |
Calendario
de exámenes |
|
Código: |
383 |
Asignatura: |
ENSEÑANZA Y APRENDIZAJE ASISTIDOS POR ORDENADOR | ||||
|---|---|---|---|---|---|---|---|
|
Plan de estudios: |
Centro: |
||||||
|
Tipo: |
Optativa |
Créditos totales: |
9 |
Teóricos: |
6 |
Prácticos: |
3 |
|
Ciclo: |
2º |
Curso: |
4º |
Período: |
ANUAL | ||
|
Web: |
|||||||
|
Profesores: |
ALGUERO
GARCIA, ALFREDO SANTIAGO (teóricos: 3 créditos, laboratorio: 6
créditos) LÓPEZ BRUGOS, JOSÉ ANTONIO (teóricos: 3 créditos, laboratorio: 6 créditos) |
||||||
|
Objetivos: |
Parte I: Enseñanza Asistida por Computador.
Tutores Inteligentes en entornos multimedia. Multimedia distribuida y Teleenseñanza. Prácticas: diseño e implementación individuales de un caso práctico con usuario real, además de la elaboración de su memoria y programa, de modo que se aprenda haciendo. Parte II: Aprendizaje Automático. Se trata de proporcionar una panorámica sobre el estado actual del aprendizaje automático con un especial énfasis en el aprendizaje inductivo supervisado; concretamente en el aprendizaje de árboles de decisión, cuyo representante más característico, C4.5, se estudia con especial detalle. También se presentan otros tipos de aprendizaje y se realiza una breve presentación de otros paradigmas del aprendizaje automático. | ||||||
|
Contenido: |
Parte I: Enseñanza Asistida por Computador. (4.5
créditos: 3 teoría y 1,5 práctica). Teoría: 1º. EAO y Aprendizaje Automático. 2º. Sistemas Expertos y Tutores Inteligentes: módulos del sistema. 3º. Entornos Multimedia para Tutores Inteligentes (TIM). 4º. Multimedia distribuida y Teleenseñanza (TIMD). 5º. Metodología para la realización de TIMD y sistemas de Teleenseñanza. 6º. Diseño de interfaces para TIMD. Prácticas: 1. Análisis de aplicaciones. Introducción a herramientas multimedia. Diseño e implementación de una aplicación. (18 h). Software y hardware para Teleenseñanza. Software y hardware para enseñanza de discapacitados. Parte II: Aprendizaje Automático. (4.5 créditos: 3 teoría y 1,5 práctica). Teoría: 1. Introducción al aprendizaje automático. 2. Inducción gramatical: los algoritmos IM1, KR, KS, SKR, SKC y RPNI. 3. Aprendizaje inductivo: 3.1. Introducción y conceptos generales; 3.2. Aprendizaje inductivo supervisado (AQ, ID3, C4.5, FOIL); 3.3. Aprendizaje inductivo no supervisado (COBWEB, CLASSIT y otros). 4. Aprendizaje deductivo. Sistemas integrados: 4.1. Aprendizaje deductivo; 4.2. Sistemas integrados: FOCL. 5. Aprendizaje basado en instancias y por analogía : 5.1. Aprendizaje basado en instancias: método de los k-vecinos más próximos; 5.2. Introducción al razonamiento basado en casos; 5.3. Aprendizaje por analogía. 6. Presentación de otros enfoques del aprendizaje automático: 6.1 Bayesiano; 6.2. Conexionista; 6.3. Evolutivo; 6.4. Máquinas de vectores soporte. Prácticas: 1º. Algoritmos de inducción de lenguajes regulares: IM1, KR, KC, SKR, SKC y RPNI. 2º. Algoritmo de eliminación de candidatos. 3º AQ: Sistema de aprendizaje de reglas por recubrimiento. 4º. C4.5: Sistema de aprendizaje de árboles de decisión. 5º. FOIL: Sistema de aprendizaje de reglas con variables con revisión de teorías. 6º COBWEB y otros: Sistemas de aprendizaje inductivo no supervisado. 7º. FOCL. Un sistema de revisión general de teorías. 8º. El método de los k-vecinos más próximos. 9º Algoritmos de aprendizaje desde otros paradigmas. | ||||||
|
Bibliografía: |
Parte I: Enseñanza Asistida por Computador. Brugos, J.A.L., RESMUL: Representación del conocimiento en multimedia. Rev. Electr. REMA, n.1, 1996.· Lopuck, L., Designing Multimedia. Peachpit Press, 1996.· Norman, D. et al., The Desing of Everyday Things.· Polson, M.C., et al. (Eds.) Foundations of Intelligent Systems.· Psotka, J.et al. (Eds.) Inteligent Tutoring Systems. Lessons Learned.· Tannenbaum, Foundations of Multimedia. 1998. Parte II: Aprendizaje Automático. Briscoe, G., Caelli, T. A Compendium of Machine Learning. Vol. 1: Symbolic Machine Learning. Ablex Publishing Corporation, New Jersey, 1996.· Ethem Alpaydin, Introduction to Machine Learning (Adaptive Computation and Machine Learning). The MIT Press, October 2004. Hernández Orallo, J. et al. Introducción a la Minería de Datos. Pearson Educación, Madrid, 2004. Mitchell, T.M. Machine Learning. McGraw-Hill, USA, 1997.· Quinlan, J. R. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, San Mateo (California), 1993.· Witten, I., Frank E., Data Minig. Practical Machine Learning tools techniques with Java implementations Morgan Kaufman Publishers (an imprint of Academis Press) San Francisco (Califiornia), 2000. | ||||||
|
Metodología y Evaluación: |
La nota final será el resultado de una media ponderada de las notas obtenidas en cada una de las partes que integran la asignatura. La primera parte, Enseñanza Asistida por Computador, se evaluará mediante el examen final oral en Junio que consistirá en la exposición y defensa de una práctica. La evaluación de la segunda parte, Aprendizaje Automático, consistirá un examen final por escrito para las enseñanzas teóricas, y la exposición y defensa de las prácticas realizadas individualmente para los alumnos que no hayan obtenido una evaluación continuada positiva de la materia práctica. | ||||||
 Información ECTS | |||||||
|---|---|---|---|---|---|---|---|
|
Código: |
E-LSUD-0-ING-703-Eao-383 |
Créditos ECTS: |
7,5 |
Teóricos: |
5 |
Prácticos: |
2,5 |
|
Método: |
Clases Magistrales Prácticas computador Trabajos | ||||||
|
Sistemas de evaluación: |
Examen escrito Evaluación continua Presentación de trabajos | ||||||