Profesores Titulares
Conocimiento básico de probabilidad y estadística
Conocimiento básico de cálculo
Los Resultados de Aprendizaje de esta asignatura son:
LO.01 - Conocer la terminología, notación y métodos de la investigación cuantitativa, concretamente los relacionados con la inferencia.
LO.02 - Ser capaz de analizar y resumir la información de las clases magistrales y de los materiales proporcionados por el profesor.
LO.03 - Comprender y ser capaz de implementar algoritmos de ML en Python.
Éstos son los temas que se tratarán durante el curso:
Primera parte
1.- Repaso de la probabilidad
2.- Probabilidad condicional y Teorema de Bayes
3.- Árboles de Decisión
4.- Decisión Multicriterio
Segunda parte
4.- Análisis de funciones multivariables
5.- Perceptrones
6.- Redes neuronales
La enseñanza semanal consistirá en una sesión lectiva para explicar los conceptos básicos y la resolución de problemas en grupo en clase para aplicar los conocimientos a situaciones prácticas. Las sesiones de programación se destinarán a la resolución de problemas y al proyecto final.
La enseñanza semanal consistirá en una sesión lectiva para explicar los conceptos básicos y la resolución de problemas en grupo en clase para aplicar los conocimientos a situaciones prácticas. La enseñanza semanal consistirá en una sesión lectiva para explicar los conceptos básicos y la resolución de problemas en grupo en clase para aplicar los conocimientos a situaciones prácticas. La evaluación continua tiene la siguiente estructura de evaluación:
Examen parcial - 30%: Exposición, resolución
Proyecto final - 30%: Declaración, resolución y presentación
Calificación de las tareas individuales - 30%: 3 deberes
Asistencia, participación y trabajo en clase - 10%: Entregables de clase
Para incorporar el caso práctico y las calificaciones grupales al esquema de evaluación, la media de la calificación de los trabajos individuales deberá ser igual o superior a 4.
La evaluación del caso práctico será la siguiente:
1. Exposición: originalidad y grado de aplicación (10%)
2. Resolución del ejercicio: (60%) - 20% cada parte.
3. Conclusiones (10%)
4. Explicación de los casos (20%)
POLÍTICA DE RECUPERACIÓN: El examen de recuperación será acumulativo y la nota del examen de recuperación contará como la nota del libro de calificaciones. La nota máxima para aprobar la asignatura en la recuperación es de 6,0. Los trabajos individuales, de grupo y los casos prácticos deberán ser subidos al campus virtual antes de la recuperación.
"Decision Analysis for Management Judgment". Paul Goodwin and George Wright. Wiley 2009.
El libro de texto recomendado es:
1) "Decision Analysis for Management Judgment". Paul Goodwin and George Wright. Wiley 2009.
Por suerte, las referencias más importantes para el aprendizaje automático están disponibles online.
2) "Neural networks and deep learning". Michael Nielsen, available
3) "Practical Deep Learning for Coders - Practical Deep Learning (fast.ai)", J. Howard, S. Gugger.
Para una exposición más formal del tema y perspectivas sobre técnicas avanzadas de ML:
4) "Deep Learning" I. Goodfellow, Y. Bengio, A Courville
https://www.deeplearningbook.org/