Anexo-II 1

APRENDIZAJE AUTOMÁTICO Semestre 6

Course Code BAI602 CIE Marks 50
Horas de enseñanza/Semana (L: T:P: S) [Link] Ver Marcas 50
Total de horas de pedagogía 50 Total Marks 100
Créditos 04 Horas de Examen 03
Tipo de examen (SEE) Teoría
Objetivos del curso:
●Para introducir los conceptos y técnicas fundamentales del aprendizaje automático.
●Para entender los diversos tipos de aprendizaje automático y los desafíos que se enfrentan en la realidad.
aplicaciones del mundo.
●Permitir a los estudiantes evaluar modelos de aprendizaje automático para diferentes tipos de problemas.
● Familiarizarse con los algoritmos de aprendizaje automático como la regresión, los árboles de decisión,
Modelos bayesianos, agrupamiento y redes neuronales.
Proceso de Enseñanza-Aprendizaje (Instrucciones Generales)
Estas son estrategias de muestra que los docentes pueden utilizar para acelerar la consecución de los diversos cursos.
resultados.
El método de conferencista (L) no debe ser solo un método de conferencia tradicional, sino una alternativa efectiva.
Se podrían adoptar métodos de enseñanza para alcanzar los resultados.
2. Uso de vídeo/animación/demostración para explicar el funcionamiento de varios conceptos.
3. Fomentar el aprendizaje colaborativo (aprendizaje en grupo) en la clase.
4. Hacer al menos tres preguntas HOT (de pensamiento de orden superior) en la clase, que promuevan el pensamiento crítico.
pensando.
5. Adoptar el Aprendizaje Basado en Problemas/Práctica (ABP), que fomenta las habilidades analíticas de los estudiantes, desarrolla
habilidades de pensamiento de diseño y habilidades prácticas como la capacidad de diseñar, evaluar, generalizar y
analizar la información en lugar de simplemente recordarla.
6. Utiliza animaciones/videos para ayudar a los estudiantes a entender los conceptos.
[Link] los conceptos utilizando PYTHON y sus bibliotecas siempre que sea posible

Módulo-1
Introduction:Need for Machine Learning, Machine Learning Explained, Machine Learning in Relation
a otros campos, Tipos de Aprendizaje Automático, Retos del Aprendizaje Automático, Proceso de Aprendizaje Automático
Aplicaciones de Aprendizaje Automático.

Entendiendo los Datos–1: Introducción, Marco de Análisis de Big Data, Estadística Descriptiva, Univariante
Análisis y Visualización de Datos.
Chapter-1, 2 (2.1-2.5)
Módulo-2
Comprensión de Datos –2: Datos Bivariados y Datos Multivariados, Estadísticas Multivariadas, Esenciales
Matemáticas para Datos Multivariantes, Ingeniería de Características y Técnicas de Reducción de Dimensionalidad.

Pruebas de Algoritmos de Aprendizaje Automático: Sobreajuste, Conjuntos de Entrenamiento, Pruebas y Validación

Confusion Matrix , Accuracy Metrics , The Receiver Operator Characteristic (ROC) Curve , Unbalanced
Conjuntos de datos, Precisión de medición

Textbook-1: Chapter -2 (2.6-2.8, 2.10), Text book-2 (2.2)

Módulo-3
Aprendizaje basado en similitud: Aprendizaje por vecino más cercano, Algoritmo de K-vecinos más cercanos ponderado
Clasificador de Centroides Más Cercanos, Regresión Ponderada Localmente (LWR).

1
 Anexo II 2

Regression Analysis:Introduction to Regression, Introduction to Linear Regression, Multiple Linear

Regresión, Regresión Polinómica, Regresión Logística.

Chapter-4 (4.2-4.5), Chapter-5 (5.1-5.3, 5.5-5.7)

Módulo-4
Aprendizaje de Árboles de Decisión: Introducción al Modelo de Aprendizaje de Árboles de Decisión, Inducción de Árboles de Decisión

Algorithms. Validating and pruning of Decision trees.

Aprendizaje Bayesiano: Introducción al aprendizaje basado en la probabilidad, Fundamentos del teorema de Bayes
Clasificación utilizando el modelo de Bayes, algoritmo de Bayes ingenuo para atributos continuos.

Chapter-6 (6.1, 6.3), Chapter-8 (8.1-8.4)

Módulo-5
Redes Neuronales Artificiales: Introducción, Neuronas Biológicas, Neuronas Artificiales, Perceptrón y Aprendizaje
Teoría, Tipos de Redes Neuronales Artificiales, Aplicaciones Populares de Redes Neuronales Artificiales
Advantages and Disadvantages of ANN, Challenges of ANN.

Algoritmos de Agrupamiento: Introducción a los Enfoques de Agrupamiento, Medidas de Proximidad, Jerárquico

Algoritmos de Clustering, Algoritmo de Clustering Particional, Métodos Basados en Densidad, Enfoque Basado en Rejillas.

Chapter-10 (10.1-10.5, 10.9-10.11), Chapter -13 (13.1-13.6)

Course outcome (Course Skill Set)
Al final del curso, el estudiante será capaz de:
1. Explicar las técnicas de aprendizaje automático, sus tipos y el marco de análisis de datos.
2. Aplicar conceptos matemáticos para la ingeniería de características y realizar la reducción de dimensionalidad para mejorar
rendimiento del modelo.
3. Desarrollar modelos de aprendizaje basados en la similitud y modelos de regresión para resolver clasificación y
tareas de predicción.
4. Desarrollar modelos de aprendizaje probabilístico y modelos de redes neuronales utilizando perceptrones y multicapa
arquitecturas.
5. Utilizar algoritmos de agrupamiento para identificar patrones en los datos.

2
 Anexo-II 3

Assessment Details (both CIE and SEE)

El peso de la Evaluación Interna Continua (CIE) es del 50% y para el Examen Final de Semestre (SEE) es
50%. La calificación mínima para aprobar el CIE es del 40% de las calificaciones máximas (20 calificaciones de 50)
y para el SEE la nota mínima de aprobación es del 35% de las notas máximas (18 de 50 notas). A
se considerará que el estudiante ha cumplido con los requisitos académicos y ha obtenido los créditos asignados
a cada materia/curso si el estudiante obtiene un mínimo del 40% (40 puntos de 100) en la suma
total de la CIE (Evaluación Interna Continua) y SEE (Examen Final de Semestre) realizado
juntos.

Evaluación Interna Continua:

●Para el componente de Asignación del CIE, hay 25 puntos y para la Evaluación Interna
Componente de prueba, hay 25 puntos.
●La primera prueba se administrará después de que se haya cubierto el 40-50% del temario, y la segunda
la prueba se administrará después de que se haya cubierto el 85-90% del plan de estudios
● Cualquier dos métodos de asignación mencionados en el 22OB2.4, si una asignación es basada en proyectos
entonces solo se planificará una tarea para el curso. El maestro no debe realizar dos
tareas al final del semestre si se planifican dos tareas.
● Para el curso, las calificaciones de CIE se basarán en una suma reducida de dos pruebas y otros métodos.
de evaluación.
El examen de evaluación interna está diseñado para alcanzar los diferentes niveles de la taxonomía de Bloom.
según el resultado definido para el curso.

Examen de fin de semestre:

La teoría SEE se llevará a cabo por la Universidad según el horario programado, con exámenes de preguntas comunes para
el curso (duración 03 horas).
1. The question paper will have ten questions. Each question is set for 20 marks.
2. Habrá 2 preguntas de cada módulo. Cada una de las dos preguntas bajo un módulo (con un máximo
de 3 sub-preguntas), debería tener una mezcla de temas bajo ese módulo.
3. Los estudiantes deben responder 5 preguntas completas, seleccionando una pregunta completa de cada módulo.
4. Las calificaciones obtenidas se reducirán proporcionalmente a 50 puntos.

Recursos de Aprendizaje Sugeridos:

Libros
1. S Sridhar, M Vijayalakshmi,“Machine Learning”, OXFORD University Press 2021, First Edition.

2. Stephen Marsland, “Aprendizaje Automático - Una Perspectiva Algorítmica”, Segunda Edición, CRC Press - Taylor
y Francis Group, 2015.
Libros de referencia

1. T. M. Mitchell, "Aprendizaje Automático", McGraw Hill, 1997.

2. Murty, M. N., y V. S. Ananthanarayana. Aprendizaje Automático: Teoría y Práctica, Universidades Press, 2024.
3. Burkov, Andriy. El libro de aprendizaje automático de cien páginas. Vol. 1. Ciudad de Quebec, QC, Canadá: Andriy Burkov
2019.

Enlaces web y conferencias en video (e-recursos):

● [Link]
● [Link]
● Tutoriales de Aprendizaje Automático:[Link]
● Tutoriales de Aprendizaje Automático:[Link]
● Python para Aprendizaje Automático:[Link]
● Introducción al Aprendizaje Automático:[Link]

3
 Anexo-II 4

Aprendizaje Basado en Actividades (Actividades Sugeridas en Clase) / Aprendizaje Basado en la Práctica

Actividades (10 puntos)

1. Identificar aplicaciones del mundo real en ML y discutir el tipo de ML (supervisado, no supervisado o semisupervisado)

supervisado) utilizado en cada caso.

2. Considera un conjunto de datos desordenado y utiliza enfoques de preprocesamiento de datos para limpiar estos datos (para la actividad 1).

3. Utiliza enfoques de análisis de datos para visualizar tendencias, correlaciones y distribuciones (para la actividad 2).

Proyecto del curso (15 puntos):

Implementar problemas de aplicaciones del mundo real basados en machine learning adecuados.