Datos Identificativos 2013/14
Asignatura (*) Aprendizaxe Automático Código 614G01038
Titulación
Grao en Enxeñaría Informática
Descriptores Ciclo Período Curso Tipo Créditos
Grao 2º cuadrimestre
Terceiro Obrigatoria 6
Idioma
Castelán
Prerrequisitos
Departamento Tecnoloxías da Información e as Comunicacións
Coordinación
Rivero Cebrián, Daniel
Correo electrónico
daniel.rivero@udc.es
Profesorado
Aguiar Pulido, Vanessa
Pazos Sierra, Alejandro
Porto Pazos, Ana Belen
Rivero Cebrián, Daniel
Correo electrónico
vanesa.aguiar@udc.es
alejandro.pazos@udc.es
ana.portop@udc.es
daniel.rivero@udc.es
Web
Descrición xeral

Competencias do título
Código Competencias da titulación

Resultados de aprendizaxe
Competencias de materia (Resultados de aprendizaxe) Competencias da titulación
Conocer las distintas técnicas de aprendizaje máquina y aplicarlas correctamente. A1
A3
A5
A7
A12
A13
A14
A18
A21
A40
A41
A42
A43
B1
B3
B4
B5
B6
C1
C6
C7
C8
Identificar los problemas en los que las técnicas de Aprendizaje Automático son aplicables. A1
A8
A12
A13
A14
A21
A25
A28
A41
A42
A43
A44
A45
B1
B3
B4
B5
C1
C3
C6
C8
Ser capaz de combinar los resultados de distintas técnicas. A1
A5
A21
A27
A28
A39
A41
A42
A43
A45
B1
B2
B3
B6
B7
C1
C3
C6
C7
C8
Ser capaz de comparar correctamente los resultados obtenidos con distintas técnicas. A1
A5
A21
A27
A28
A39
A41
A42
A43
A45
B1
B2
B3
B6
B7
C1
C3
C6
C7
C8
Aprender y aplicar la metodología de uso de estas técnicas en la resolución de problemas reales. A1
A5
A7
A12
A13
A14
A21
A27
A28
A39
A41
A42
A45
B1
B2
B3
B4
B6
B7
B9
C1
C3
C4
C6
C7
C8

Contidos
Temas Subtemas
Tema 1: Introducción 1.1. Introducción al Aprendizaje automático
1.2. Introducción al Aprendizaje Inductivo
Tema 2: Aprendizaje supervisado
2.1. Introducción
2.2. Máquinas de soporte vectorial
2.3. Árboles y Reglas de Decisión
2.4. Regresión. Árboles de Regresión
2.5. Aprendizaje Bayesiano
2.6. Aprendizaje basado en Instancias
2.7. Redes de neuronas artificiales
Tema 3: Aprendizaje no supervisado 3.1. Aprendizaje no supervisado: agrupación
3.2. Redes de neuronas no supervisadas
Tema 4: Aprendizaje por refuerzo 4.1. Procesos de Decisión de Markov
4.2. Aprendizaje por Refuerzo
Tema 5: Otros conceptos 5.1. Evaluación y contraste de hipótesis
5.2. Metaclasificadores
5.3. Programación Lógica Inductiva
5.4. Aprendizaje Relacional

Planificación
Metodoloxías / probas Horas presenciais Horas non presenciais / traballo autónomo Horas totais
Prácticas de laboratorio 14 42 56
Traballos tutelados 7 7 14
Sesión maxistral 20 60 80
 
Atención personalizada 0 0
 
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías
Metodoloxías Descrición
Prácticas de laboratorio Resolver un problema práctico mediante el uso de las distintas técnicas que se explicarán en las clases de teoría
Traballos tutelados Redacción, bajo la tutela del profesor, de la memoria en la que se explique la resolución del problema realizado en las prácticas del laboratorio
Sesión maxistral Impartición teórica de la materia de la asignatura

Atención personalizada
Metodoloxías
Traballos tutelados
Prácticas de laboratorio
Descrición
Realización del trabajo práctico con el asesoramiento del profesor.
Redacción de la memoria explicativa bajo la tutela del profesor.

Avaliación
Metodoloxías Descrición Cualificación
Traballos tutelados Resolución de un problema utilizando la metodología y redacción de la memoria. 20
Sesión maxistral Preguntas de tipo test sobre los contenidos de teoría y prácticas. 60
Prácticas de laboratorio Realización del trabajo práctico y entrega en plazo. 20
 
Observacións avaliación

Para aprobar la asignatura, el alumno deberá sacar una nota mínima en el examen de teoría.


Fontes de información
Bibliografía básica D. Borrajo, J. González, P. Isasi (2006). Aprendizaje automático. Sanz y Torres
Basilio Sierra Araujo (2006). Aprendizaje automático: conceptos básicos y avanzados. Aspectos prácticos utilizando el software WEKA. Pearson Education
Ethem Alpaydin (2004). Introduction to Machine Learning. MIT Press
David Aha (). Lazy Learning. Kluwer Academics Publishers
T.M. Mitchell (1997). Machine Learning. McGraw Hill
Richard Sutton, Andrew Barto (). Reinforcement Learning. An Introduction. MIT Press
Saso Dzeroski, Nada Lavrac (). Relational Data Mining. Springer
Andrew Webb (2002). Statistical Pattern Recognition. Wiley

Bibliografía complementaria


Recomendacións
Materias que se recomenda ter cursado previamente
Visión Artificial/614G01068
Robótica/614G01098

Materias que se recomenda cursar simultaneamente
Representación do Coñecemento e Razoamento Automático/614G01036

Materias que continúan o temario
Programación I/614G01001
Programación II/614G01006
Estatística/614G01008
Algoritmos/614G01011
Sistemas Intelixentes/614G01020

Observacións


(*)A Guía docente é o documento onde se visualiza a proposta académica da UDC. Este documento é público e non se pode modificar, salvo casos excepcionais baixo a revisión do órgano competente dacordo coa normativa vixente que establece o proceso de elaboración de guías