Competencias del título |
Código
|
Competencias del título
|
A1 |
CE01 - Capacidad para aplicar técnicas de análisis de datos y técnicas inteligentes en robótica y/o informática industrial |
A2 |
CE02 - Capacidad para desarrollar aplicaciones, implementar algoritmos y manejar estructuras de datos de forma eficiente en los lenguajes de programación, en especial los usados en robótica y/o informática industrial |
A12 |
CE12 - Capacidad para el desarrollo de sistemas ciberfísicos, internet de las cosas y/o técnicas basadas en cloud computing |
B2 |
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio |
B4 |
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades |
B7 |
CG2 - Desarrollar las capacidades de análisis y síntesis; fomentar la discusión crítica, la defensa de argumentos y la toma de conclusiones |
B11 |
CG6 - Adquirir nuevos conocimientos y capacidades relacionados con el ámbito profesional del máster |
B18 |
CG13 - Plantear y resolver problemas, interpretar un conjunto de datos y analizar los resultados obtenidos; en el ámbito de la informática industrial y la robótica |
C2 |
CT02 - Fomentar la sensibilidad hacia temas sociales y/o medioambientales |
C5 |
CT05 - Adquirir la capacidad para elaborar un trabajo multidisciplinar |
C6 |
CT06 - Dominar la expresión y la comprensión de un idioma extranjero |
Resultados de aprendizaje |
Resultados de aprendizaje |
Competencias del título |
Conocer las técnicas más representativas de aprendizaje supervisado para los problemas clásicos de clasificación y regresión. |
AM1
|
BM7 BM11
|
CM6
|
Conocer y ser capaz de implementar algoritmos sencillos y característicos de los paradigmas más importantes de aprendizaje supervisado. |
AM2 AM12
|
BM2 BM18
|
CM5
|
Saber aplicar correctamente las técnicas de aprendizaje automático de clasificación y regresión para obtener resultados fiables y significativos. |
AM2
|
BM4
|
CM2
|
Contenidos |
Tema |
Subtema |
Tema 1: Fundamentos de aprendizaje automático |
- Características de los sistemas de aprendizaje.
- Tipos de aprendizaje.
- Áreas de aplicación e tipos de problemas.
- Capacidad de generalización y sobreajuste.
- Preparación y limpieza de los datos.
- Metodologías para proyectos de análisis de datos. |
Tema 2: Modelos lineales de aprendizaje supervisado |
- Algoritmos de regresión lineal.
- Algoritmos de clasificación lineal.
|
Tema 3: Funciones y medidas de error |
- Métricas de error para los problemas de clasificación.
- Métricas de error para los problemas de regresión. |
Tema 4: Metodología para el análisis de resultados |
- Métodos de estimación del error.
- Métodos de comparación de dos modelos.
- Métodos de comparación de múltiples modelos.
|
Tema 5: Modelos no lineales de aprendizaje supervisado |
- K vecinos más cercanos.
- Árboles de decisión y bosques aleatorios (random forest).
- Modelos basados en kernels: máquinas de vectores soporte.
- Redes de neuronas artificiales.
- Aprendizaje profundo (deep learning) con redes de neuronas convolucionales.
|
Planificación |
Metodologías / pruebas |
Competéncias |
Horas presenciales |
Horas no presenciales / trabajo autónomo |
Horas totales |
Sesión magistral |
B7 B11 |
11 |
11 |
22 |
Prácticas de laboratorio |
A1 A2 A12 B2 |
10 |
15 |
25 |
Trabajos tutelados |
B4 B7 B18 C2 C5 C6 |
0 |
25 |
25 |
Prueba mixta |
B11 |
2 |
0 |
2 |
|
Atención personalizada |
|
1 |
0 |
1 |
|
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
Metodologías |
Descripción |
Sesión magistral |
Actividad presencial en el aula empleada para establecer los conceptos fundamentales de la materia. Consiste en la exposición oral complementada con el uso de medios audiovisuales/multimedia y la realización de algunas preguntas dirigidas a los estudiantes, con el fin de transmitir conocimientos y facilitar el aprendizaje. |
Prácticas de laboratorio |
Desarrollo de prácticas en el laboratorio de informática. Esta actividad consistirá en el estudio de casos y ejemplos además de la realización, por parte de los alumnos, de los ejercicios planteados por los profesores. |
Trabajos tutelados |
Realización de trabajos/proyectos relacionados con alguno de los temas del temario de la asignatura. Los alumnos entregarán, en soporte informático, la memoria del trabajo y una presentación que tendrá que exponer al profesor. Estos trabajos requerirán la asistencia de, al menos, una tutoría personalizada para cada grupo. |
Prueba mixta |
Prueba de evaluación que se realizará al final de curso en las correspondientes convocatorias oficiales. Consistirá en una prueba en la que será necesario responder a diferentes cuestiones teórico-prácticas. |
Atención personalizada |
Metodologías
|
Trabajos tutelados |
|
Descripción |
La atención personalizada será necesaria para mostrar los avances del trabajo/proyecto propuesto y para ofrecer la orientación adecuada y asegurar la calidad del mismo. También se empleará para la resolución de dudas conceptuales y el seguimiento de la ejecución de los trabajos. Estas tutorías ser realizarán de forma presencial en el despacho del profesor. |
|
Evaluación |
Metodologías
|
Competéncias |
Descripción
|
Calificación
|
Prueba mixta |
B11 |
Prueba final de la materia que consistirá en la realización de un examen individual. Esta prueba tendrá preguntas de tipo teóricas y prácticas relacionadas con los conceptos estudiados en las clases magistrales, en las prácticas de laboratorio o con los contenidos de los trabajos/proyectos tutelados. |
40 |
Trabajos tutelados |
B4 B7 B18 C2 C5 C6 |
Desarrollo de un proyecto aplicado, individual ou en grupo reducido. Será necesario entregar los materiales (documento y presentación) en tiempo y forma siguiendo las indicaciones del reto planteado en el enunciado. Además, requerirá la exposición oral por parte de todos los integrantes del grupo de trabajo, empleando para eso la presentación entregada. Se tendrá en cuenta para la evaluación de esta actividad la memoria y la presentación entregada así como las contestaciones a las preguntas del profesor durante la presentación obligatoria. La no realización de la presentación supondrá una nota de cero en esta actividad. |
50 |
Prácticas de laboratorio |
A1 A2 A12 B2 |
Consistirá en la recopilación de los ejercicios realizados en las prácticas de laboratorio durante el curso. Estos ejercicios deberán realizarse en el tiempo asignado a las clases prácticas y se entregarán al final de las mismas. Durante la realización de estos ejercicios, el alumno puede plantear dudas al profesor o consultar los materiales que estime oportuno. Por tanto, esta actividad evaluará el trabajo diario del alumno en las clases prácticas. |
10 |
|
Observaciones evaluación |
Para poder aprobar la materia el estudiante deberá cumplir los siguientes requisitos (puntuación entre 0 y 10 en todas las actividades): - Lograr una nota superior o igual a 3,5 en la prueba mixta realizada al final del cuatrimestre. - Lograr una nota superior o igual a 5 al realizar la suma de todas las pruebas de evaluación. Notas sobre las actividades: - Todas las actividades tendrán una única oportunidad para su entrega durante el curso académico, salvo la prueba objetiva final que tendrá dos oportunidades oficiales de examen. Evaluación en el caso de la convocatoria adelantada: En el caso de que el estudiante solicite y se presente a la convocatoria adelantada, el 50% de su nota será el examen final y el otro 50% el trabajo tutelado. El trabajo tutelado deberá ser entregado como fecha límite una semana antes de la fecha del examen oficial en la convocatoria adelantada. Para poder aprobar la materia el estudiante deberá cumplir los requisitos mencionados anteriormente. Régimen de dispensa académica: Como se indica en la normativa vigente, los estudiantes que tengan concedida la dispensa académica tienen el derecho a que se les exima de la asistencia a clase. En todo caso, serán evaluados por el sistema de evaluación continua indicado en esta guía docente con la misma ponderación que el resto de estudiantes. La realización de los trabajos y las prácticas de evaluación continua se podrán realizar de forma autónoma y entregar en los plazos establecidos por el profesor.
|
Fuentes de información |
Básica
|
Christopher M. Bishop (2011). Pattern Recognition and Machine Learning. Springer
Jake VanderPlas (2016). Python Data Science Handbook: Essential Tools for Working with Data. O'Reilly
Wes McKinney (2017). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. O'Reilly |
|
Complementária
|
Aston Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola (2021). Dive in Deep Learning. Free eBook (Disponible en: http://d2l.ai)
Andreas C. Müller, Sarah Guido (2016). Introduction to Machine Learning with Python. O'Reilly |
|
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente |
|
Asignaturas que se recomienda cursar simultáneamente |
Python para Ingenieros Introductorio/770538011 |
|
Asignaturas que continúan el temario |
Aprendizaje Automático II/770538017 |
|
Otros comentarios |
Para el desarrollo de la práctica de la materia, es muy recomendable tener conocimientos básicos previos del lenguaje de programación Python o bien cursar al mismo tempo la materia Python para Ingenieros que se imparte en el máster. Para ayudar a conseguir un entorno sostenible y cumplir con el objetivo de la acción número 5: "Docencia e investigación saludable y sostenible ambiental y social" del "Plan de Acción Green Campus Ferrol" la entrega de los trabajos documentales que se realicen en esta materia: 1. Se solicitará en formato virtual y/o soporte informático. 2. Se realizará a través de Moodle, en formato digital sin necesidad de imprimirlos. 3. De realizarse en papel: - No se emplearán plásticos. - Se realizarán impresiones a doble cara. - Se empleará papel reciclado. - Se evitará la impresión de borradores |
|