A avaliación desta asignatura baséase na superación das dúas principais metodoloxías, traballos tutelados e presentación oral, de forma independente. A primeira céntrase na demostración práctica de coñecementos e habilidades adquiridas para resolver problemas de enxeñaría a través de técnicas de aprendizaxe automática, e a segunda sobre a realización e presentación dun traballo sobre un tema específico no programa teórico. Polo tanto, no caso de que o alumno non supere a materia na convocatoria ordinaria, debe repetir, na convocatoria extraordinaria, as actividades necesarias das metodoloxías que non foron aprobadas. Por exemplo, se un estudante aproba a parte da presentación oral pero está suspendido nos traballos tutelados, deberá repetir o traballo/s práctico necesario para acadar o aprobado, xeralmente aquel/es que non foron aprobados.

Os alumnos con matrícula a tempo parcial poden acumular o 10% da nota correspondente á asistencia ás clases nas outras actividades, tanto na teoría como na práctica, no caso de que non poidan asistir ás clases en persoa. Esta modificación debe solicitarse aos profesores da materia ao comezo do curso. Asimesmo, en caso de non poder realizar a presentación oral co resto do alumnado, deberán concretar unha data alternativa cos profesores.

Resultados de aprendizaxe	Competencias / Resultados do título
Desenvolver un sistema de control autónomo para a súa operación nun contorno real	AP8	BP1 BP4 BP6 BP13 BP14	CP1 CP3 CP11
Coñecer as principais técnicas de redución da dimensionalidade e o seu uso práctico	AP8	BP1 BP4 BP6 BP13 BP14	CP1 CP3 CP11
Coñecer as principais técnicas para a obtención de modelos de regresión / identificación de sistemas de estimación e predicción	AP8	BP1 BP4 BP6 BP13 BP14	CP1 CP3 CP11
Coñecer as principais metodoloxías experimentais e analizar os resultados no campo da aprendizaxe automática		BP1 BP4 BP5 BP6 BP14 BP16	CP1 CP6 CP7 CP8
Avalíar un problema de aprendizaxe de enxeñería que poida resolverse coas técnicas que se ven no temario e xustificar a elección das máis adecuadas, así como expoñer estas conclusións dun xeito fiable		BP1 BP2 BP3 BP13 BP14 BP15	CP3 CP6 CP7 CP8 CP9 CP11

Temas	Subtemas
Introducción ó aprendizaxe automático	Conceptos preliminares. Tipos de problemas: clasificación, regresión, agrupación, detección de anomalías, etc. Formas de aprendizaxe: supervisadas, non supervisadas, por reforzo, etc.
Métodos de clasificación e agrupamento	Introducción Algoritmos de clasificación supervisada Algoritmos de clasificación non supervisada (clustering)
Métodos para o procesado de datos	Preparación dos datos Reducción de dimensionalidade
Métodos de regresión para modelado e predicción	Introducción Modelos principais Redes de neuronas artificiais
Metodoloxía experimental e análise de resultados	Métodos para a estimación do erro Análise de resultados Comparación de modelos

Metodoloxías / probas	Competencias / Resultados	Horas lectivas (presenciais e virtuais)	Horas traballo autónomo	Horas totais
Traballos tutelados	B2 B3 B4 B13 C1 C3	0	30	30
Presentación oral	B1 B5 B15 B14 B6 C7 C9 C11	2	10	12
Prácticas a través de TIC	A8 B13 B14 B16 B6 C11	16	36	52
Proba obxectiva	B1 B14 B6	1	0	1
Sesión maxistral	B1 B6 C6 C8	11	2.5	13.5

Atención personalizada		4	0	4

*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías	Descrición
Traballos tutelados	Prácticas de programación fora da aula nas que se implementarán, na linguaxe seleccionada polos profesores, algunhas das técnicas de aprendizaxe automática vistas nas clases teóricas. Estes traballos serán realizados polos alumnos de forma autónoma e o seu avance será tutorizado polos profesores
Presentación oral	Traballo (ou traballos) de teoría sobre algún tema proposto polos profesores da asignatura que deberá ser exposto diante dos compañeiros e entregado por escrito
Prácticas a través de TIC	Sesións presenciais co ordenador nas que os profesores explicarán o uso e programación das técnicas de aprendizaxe automática vistas en teoría, de modo que os alumnos obteñan as capacidades suficientes para utilizalas autónomamente.
Proba obxectiva	Cuestionario tipo test ou de resposta múltiple que se realiza dende o ordenador na parte final das sesións maxistrais de teoría, co obxectivo de valorar o grao de participación, atención e comprensión dos conceptos explicados polo profesor. Poderase utilizar moodle, Microsoft Forms, Kahoot ou outras ferramentas semellantes.
Sesión maxistral	Exposición oral por parte dos profesores da materia do temario teórico

Metodoloxías	Competencias / Resultados	Descrición	Cualificación
Presentación oral	B1 B5 B15 B14 B6 C7 C9 C11	A presentación oral do traballo/traballos teóricos, a presentación escrita dos mesmos e a participación activa nas presentacións dos compañeiros teñen un peso importante na calificación final. É imprescindible obter unha calificación de aprobado nesta metodoloxía de forma independente (nota mínima de 5 considerando que se valora de 0 a 10) para poder aprobar a asignatura.	30
Traballos tutelados	B2 B3 B4 B13 C1 C3	Propoñeranse varios traballos prácticos ó longo do curso centrados na aplicación de técnicas de aprendizaxe automática en problemas de enxeñaría. Estes traballos serán desenvolvidos de forma autónoma por parte do alumno fora das clases e terán que ser defendidos posteriormente. É imprescindible obter unha calificación de aprobado nesta metodoloxía de forma independente (nota mínima de 5 considerando que se valora de 0 a 10) para poder aprobar a asignatura.	60
Proba obxectiva	B1 B14 B6	A comprensión dos conceptos explicados polo profesor nas sesións maxistrais implica que os alumnos participen nas clases de maneira activa, expondo dúbidas e aproveitando ao máximo a interacción persoal. Esta comprensión valórase na nota final da materia a través dos cuestionarios online que se realizan nos minutos finais de cada sesión maxistral	10

Observacións avaliación
A avaliación desta asignatura baséase na superación das dúas principais metodoloxías, traballos tutelados e presentación oral, de forma independente. A primeira céntrase na demostración práctica de coñecementos e habilidades adquiridas para resolver problemas de enxeñaría a través de técnicas de aprendizaxe automática, e a segunda sobre a realización e presentación dun traballo sobre un tema específico no programa teórico. Polo tanto, no caso de que o alumno non supere a materia na convocatoria ordinaria, debe repetir, na convocatoria extraordinaria, as actividades necesarias das metodoloxías que non foron aprobadas. Por exemplo, se un estudante aproba a parte da presentación oral pero está suspendido nos traballos tutelados, deberá repetir o traballo/s práctico necesario para acadar o aprobado, xeralmente aquel/es que non foron aprobados. Os alumnos con matrícula a tempo parcial poden acumular o 10% da nota correspondente á asistencia ás clases nas outras actividades, tanto na teoría como na práctica, no caso de que non poidan asistir ás clases en persoa. Esta modificación debe solicitarse aos profesores da materia ao comezo do curso. Asimesmo, en caso de non poder realizar a presentación oral co resto do alumnado, deberán concretar unha data alternativa cos profesores.

Bibliografía básica	Gonzalo Pajares Martínez, Jose Manuel de la Cruz García (2010). Aprendizaje automático : un enfoque práctico. Ra-Ma Ethem Alpaydin (2014). Introduction to Machine Learning. MIT Press Marsland, Stephen (2014). Machine Learning: An Algorithmic Perspective. Chapman and Hall/CRC Press Christopher M. Bishop (2010). Pattern Recognition and Machine Learning. Springer
	A Whirlwind Tour of Python by Jake VanderPlas (O’Reilly): Libro en pdf Código fuente de los ejercicios
Bibliografía complementaria	Aurelien Geron (2017). Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media Andreas C. Müller, Sarah Guido (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists. O'Reilly Media Kevin P. Murphy (2010). Machine Learning, a probabilistic perspective. MIT Press Sebastian Raschka, Vahid Mirjalili (2019). Python machine learning : aprendizaje automático y aprendizaje profundo con Python, scikit-learn y TensorFlow. Marcombo
	A Whirlwind Tour of Python by Jake VanderPlas (O’Reilly): Libro en pdf Código dos exercicios

Observacións
A entrega dos traballos documentais que se realicen nesta materia: - Solicitarase en formato virtual e/ou soporte informático. - Realizarase a través de Moodle, en formato dixital sen necesidade de imprimilos De se realizar en papel: - Non se empregarán plásticos. - Realizaranse impresións a dobre cara.  - Empregarase papel reciclado. - Evitarase a impresión de borradores.