O alumnado deberá acadar polo menos o 40% da nota máxima de cada parte (teoría, práctica) e, en todo caso, a suma de ambas partes deberá superar un 5 para superar a materia. De non cumprirse algún dos requisitos anteriores, a cualificación da convocatoria establecerase en función da nota máis baixa obtida.

Na segunda oportunidade a avaliación realizarase cos mesmos criterios, e abrirase un novo prazo para entregar dous traballos prácticos.

Non se gardarán as cualificacións entre cursos académicos.

As entregas das prácticas deberán realizarse no prazo establecido no campus virtual e deberán seguir as especificacións sinaladas no escrito tanto para a súa presentación como para a súa defensa.

Terá a condición de "Presentado" o alumnado que asista á proba teórica no período oficial de avaliación.

No caso de realización fraudulenta de exercicios ou probas, aplicarase o Regulamento de avaliación do rendemento académico do alumnado e revisión de cualificacións. En aplicación da normativa correspondente en materia de plaxio, a copia total ou parcial de calquera exercicio práctico ou teórico suporá o suspenso na actividade na que se detectou plaxio, cunha nota de 0.

Resultados de aprendizaxe	Competencias do título
Capacidade para identificar se un problema se pode resolver mediante unha técnica de aprendizaxe automática.	AM12	BM2 BM3 BM4 BM8	CM4 CM7 CM8 CM9
Obter a capacidade de escoller a técnica de aprendizaxe máis adecuada para un problema en función da natureza dos datos.	AM11 AM15	BM2 BM6 BM7 BM9	CM3 CM8
Capacidade para deseñar e desenvolver un modelo de aprendizaxe nun entorno de programación real.	AM10 AM15	BM5 BM6 BM7 BM8 BM9	CM3 CM7 CM9
Dominar os diferentes modelos de aprendizaxe e ser capaz de aplicalos a problemas do mundo real.	AM11 AM15	BM2 BM3 BM7	CM3 CM8
Coñecer e comprender a diferenza entre problemas de clasificación e regresión.	AM10 AM11	BM3 BM6 BM8
Comprender como comparar os resultados de diferentes tipos de aprendizaxe automática.	AM10 AM12 AM15	BM7 BM9	CM4 CM8 CM9

Temas	Subtemas
Aprendizaje supervisado	Introducción ao Aprendizaxe Redes de Neuronas Artificiais Máquinas de Soporte Vectorial Árbores de decisión Regresión Aprendizaxe baseado en instancias
Aprendizaje no supervisado	Aprendizaxe non supervisado: agrupación Redes de neuronas non supervisadas
Aprendizaje por refuerzo	Procesos de Decisión de Markov Aprendizaxe por Reforzo
Combinación de modelos	Técnicas básicas e avanzadas de combinación de modelos.
Preprocesado y técnicas de extracción de características, regularización, creación de modelos y evaluación	Preprocesado de datos. Regularización. Evaluación de modelos.

Metodoloxías / probas	Competencias	Horas presenciais	Horas non presenciais / traballo autónomo	Horas totais
Sesión maxistral	A11 A12 C4 C8 C9	21	42	63
Prácticas de laboratorio	A13 A16 B2 B3 B5 B6 B7 C3 C7	12	24	36
Traballos tutelados	B2 B3 B4 B5 B8 B9 C4 C8 C9	7	19	26
Proba obxectiva	B3 B8 C4 C8 C9	2	20	22

Atención personalizada		3	0	3

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

Metodoloxías	Descrición
Sesión maxistral	Impartición teórica da materia da asignatura
Prácticas de laboratorio	Resolver problemas prácticos mediante o uso das distintas técnicas que se explicarán nas clases de teoría
Traballos tutelados	Redacción, baixo a tutela do profesor, das memorias nas que se expliquen as resolucións dos problemas realizados nas prácticas de laboratorio
Proba obxectiva	Proba de avaliación escrita na que o alumno deberá demostrar os coñecementos adquiridos na asignatura

Metodoloxías	Competencias	Descrición	Cualificación
Prácticas de laboratorio	A13 A16 B2 B3 B5 B6 B7 C3 C7	Resolución de problemas do mundo real utilizando a metodoloxía, para o cal se utilizarán varias técnicas explicadas en teoría, e estimularase ao alumno a xerar novas ideas para a resolución destes problemas.	25
Proba obxectiva	B3 B8 C4 C8 C9	Preguntas tipo test sobre os contenidos teóricos da asignatura.	50
Traballos tutelados	B2 B3 B4 B5 B8 B9 C4 C8 C9	Redacción das memorias relativas á resolución dos problemas reais realizados nas prácticas de laboratorio. A redacción das memorias incluirá a realización dunha revisión bibliográfica dos traballos máis importantes relacionados, escritos na súa inmensa maioría en inglés, documentación sobre o problema a resolver, metodoloxía utilizada, e comparación dos resultados atopados na aplicación das distintas técnicas, así como unha valoración crítica tanto dos resultados obtidos como da información utilizada.	25

Observacións avaliación
O alumnado deberá acadar polo menos o 40% da nota máxima de cada parte (teoría, práctica) e, en todo caso, a suma de ambas partes deberá superar un 5 para superar a materia. De non cumprirse algún dos requisitos anteriores, a cualificación da convocatoria establecerase en función da nota máis baixa obtida. Na segunda oportunidade a avaliación realizarase cos mesmos criterios, e abrirase un novo prazo para entregar dous traballos prácticos. Non se gardarán as cualificacións entre cursos académicos. As entregas das prácticas deberán realizarse no prazo establecido no campus virtual e deberán seguir as especificacións sinaladas no escrito tanto para a súa presentación como para a súa defensa. Terá a condición de "Presentado" o alumnado que asista á proba teórica no período oficial de avaliación. No caso de realización fraudulenta de exercicios ou probas, aplicarase o Regulamento de avaliación do rendemento académico do alumnado e revisión de cualificacións. En aplicación da normativa correspondente en materia de plaxio, a copia total ou parcial de calquera exercicio práctico ou teórico suporá o suspenso na actividade na que se detectou plaxio, cunha nota de 0.

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

Observacións