|
Información de la asignatura |
Curso académico: 2005/2006
|
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 |
|
|