METODOS MATEMATICOS EN CIENCIAS DE LA COMPUTACION
05-06
UNIVERSIDAD DEL PAIS VASCO - EUSKAL HERRIKO
UNIBERTSITATEA, UPV-EHU
Profesores: Pedro Larrañaga (ccplamup--si.ehu.es) e Iñaki
Inza (inza--si.ehu.es)
Presentación
y organización de la asignatura.
Septiembre:
notas
finales: examen + prácticas:
Grupo
16 y
Grupos17-18
Revisiones: jueves 7, de 9:00 a 11:00
Recordar que únicamente os guardamos notas del curso anterior (04-05) y junio de este mismo curso (05-06)
Los que entreguéis las prácticas (o lo que os queda de ellas) para que seáis evaluados en ellas en la convocatoria de septiembre, recordaros que el día tope de entrega es el mismo día del examen teórico de la asignatura en esa convocatoria de septiembre
Calendario lectivo Facultad.
El
primer laboratorio práctico será los días 1/2 de marzo (miércoles/jueves), según
el día y desdoble que os corresponda.
En este primer laboratorio se
explicarán las líneas y formas de trabajo para el resto del curso. También se
presentará la Práctica I.
Los dos siguientes laboratorios (8/9 de marzo,
15/16 de marzo), los considero imprescindibles para poder realizar correctamente
la Práctica II. Con los que venís al laboratorio los jueves, el laboratorio
"necesario" (WEKA y SPSS) que perdimos el pasado 9 de marzo, lo recuperaremos el
23 de marzo: creo que es demasiado hacerlo todo en un único laboratorio el 16 de
marzo. Según
avancen el curso y los laboratorios, se irán poniendo en esta página las Tareas
a realizar en cada tema para la Práctica II.
Documento
de guías generales acerca de los trabajos prácticos de la asignatura.
Resumen general de las Prácticas a realizar:
-
Práctica I: de entre una lista de artículos propuestos, lectura y resumen de un artículo científico sobre heurísticos de búsqueda (14 de marzo, martes: fecha tope entrega)
-
Práctica II: distintas tareas acerca de la segunda parte de la asignatura, el "Reconocimiento de Patrones - Clasificación". Como herramienta principal de trabajo utilizaremos el software WEKA. Se plantearán distintas tareas a realizar, yendo a la par de las clases teóricas: se realizarán entregas parciales, dejando un margen de 5-6 días entre la teoría vista en clase y la fecha de entrega de las tareas relacionadas de la práctica. Según avancen los temas en las clases teóricas, las tareas de trabajo concretas junto con sus fechas concretas de entregas parciales se irán anunciando en esta página web.
|
TEMA |
APUNTES TEORÍA |
TRANSPARENCIAS |
EJERCICIOS |
| Tema 0: Introducción a la asignatura |
|
 |
|
| Tema 1: Heurísticos en Optimización Combinatorial |
|
|
|
| Tema 2: Algoritmos Genéticos |
|
|
|
| Tema 3: Algoritmos de Estimación de Distribuciones |
|
|
|
| Tema 4: Aprendizaje Automático |
|
||
| Transparencias sobre "Minería de Datos" |
|
||
| Tema 5: Evaluación de Modelos de Clasificación Sup. |
|
||
| Tema 6: Clasificadores Bayesianos |
|
|
|
| Tema 7: Regresión Logística |
|
|
|
| Tema 8: Redes Neuronales |
|
|
|
| Tema 9: Clasificadores K-NN |
|
|
|
| Tema 10: Árboles de Clasificación |
|
|
|
| Tema 11: Inducción de Reglas |
|
|
|
| Tema 12: Selección de Variables |
|
|
|
| Tema 13: Combinación de clasificadores |
|
|
|
| Tema 14: Clustering |
|
|
|
| Teoría de la Información |
|