Se deberá alcanzar al menos un 40% de la máxima nota cada parte (teoría, práctica) y en
cualquier caso la suma de ambas partes debe superar un 5 para superar la
asignatura. Si no se cumple alguno de los requisitos anteriores, la nota de la
convocatoria se establecerá de acuerdo a la menor nota obtenida.

En la segunda oportunidad la evaluación se realizará con los mismos criterios, y se abrirá un nuevo plazo para la entrega de los trabajos prácticos.

Las entregas de las
prácticas deben realizarse dentro del plazo establecido en el campus virtual y
deben seguir las especificaciones indicadas en el enunciado tanto para su
presentación como su defensa.

Tendrá la condición de
“Presentado” concurra a la prueba teórica en el período oficial de evaluación.

En el caso de realización fraudulenta de ejercicios o pruebas, se
aplicará la Normativa de evaluación del rendimiento académico de los
estudiantes y de revisión de cualificaciones. En aplicación de la normativa
correspondiente sobre plagio, la copia total o parcial de algún ejercicio de
prácticas o de teoría supondrá el suspenso en la actividad en la que se haya
detectado plagio, con calificación de 0.

Resultados de aprendizaje	Competencias del título
Capacidad de identificar si un problema puede resolverse mediante una técnica de aprendizaje automático.	AM12	BM2 BM3 BM4 BM8	CM4 CM7 CM8 CM9
Obtener capacidad para elegir la técnica de aprendizaje más adecuado a un problema dependiendo de la naturaleza de los datos.	AM11 AM15	BM2 BM6 BM7 BM9	CM3 CM8
Capacidad de diseñar y desarrollar un modelo de aprendizaje en un entorno de programación real.	AM10 AM15	BM5 BM6 BM7 BM8 BM9	CM3 CM7 CM9
Dominar los diferentes modelos de aprendizaje y poder aplicarlos a problemas del mundo real.	AM11 AM15	BM2 BM3 BM7	CM3 CM8
Conocer y comprender la diferencia entre problemas de clasificación y regresión.	AM10 AM11	BM3 BM6 BM8
Entender cómo comparar los resultados de los diferentes tipos de aprendizaje automático.	AM10 AM12 AM15	BM7 BM9	CM4 CM8 CM9

Tema	Subtema
Aprendizaxe supervisado	Introducción ao Aprendizaxe Redes de Neuronas Artificiais Máquinas de Soporte Vectorial Árbores de decisión Regresión Aprendizaxe baseado en instancias
Combinación de modelos	Técnicas básicas y avanzadas de combinación de modelos.
Preprocesado, evaluación y regularización	Preprocesado de datos. Creación y evaluación de modelos. Complejidad y regularización.
Aprendizaje non supervisado	Aprendizaje no supervisado: agrupación Redes de neuronas no supervisadas
Aprendizaxe por reforzo	Procesos de Decisión de Markov Aprendizaje por Refuerzo

Metodologías / pruebas	Competéncias	Horas presenciales	Horas no presenciales / trabajo autónomo	Horas totales
Sesión magistral	A11 A12 C4 C8 C9	21	42	63
Prácticas de laboratorio	A13 A16 B2 B3 B5 B6 B7 C3 C7	12	24	36
Trabajos tutelados	B2 B3 B4 B5 B8 B9 C4 C8 C9	7	19	26
Prueba objetiva	A11 A12 B3 B8 C4 C8 C9	2	20	22

Atención personalizada		3	0	3

(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías	Descripción
Sesión magistral	Impartición teórica de la materia de la asignatura
Prácticas de laboratorio	Resolver un problema práctico mediante el uso de las distintas técnicas que se explicarán en las clases de teoría
Trabajos 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 y los resultados obtenidos. Este trabajo deberá ser expuesto en clase.
Prueba objetiva	Se trata de una prueba de evaluación escrita en la que el alumno deberá demostrar los conocimientos adquiridos de la asignatura.

Metodologías	Competéncias	Descripción	Calificación
Prácticas de laboratorio	A13 A16 B2 B3 B5 B6 B7 C3 C7	Resolución de un problema del mundo real utilizando la metodología, para lo cual se utilizarán varias técnicas explicadas en teoría, y se estimulará al alumno a generar nuevas ideas para la resolución de este problema.	20
Prueba objetiva	A11 A12 B3 B8 C4 C8 C9	Preguntas tipo test sobre los contenidos teóricos de la asignatura.	50
Trabajos tutelados	B2 B3 B4 B5 B8 B9 C4 C8 C9	Redacción de la memoria relativa a la resolución del problema real realizado en las prácticas de laboratorio. La redacción de la memoria incluirá la realización de una revisión bibliográfica de los trabajos más importantes relacionados, escritos en su inmensa mayoría en inglés, documentación sobre el problema a resolver, metodología utilizada, y comparación de los resultados hallados en la aplicación de las distintas técnicas, así como una valoración crítica tanto de los resultados obtenidos como de la información utilizada.	30

Observaciones evaluación
Se deberá alcanzar al menos un 40% de la máxima nota cada parte (teoría, práctica) y en cualquier caso la suma de ambas partes debe superar un 5 para superar la asignatura. Si no se cumple alguno de los requisitos anteriores, la nota de la convocatoria se establecerá de acuerdo a la menor nota obtenida. En la segunda oportunidad la evaluación se realizará con los mismos criterios, y se abrirá un nuevo plazo para la entrega de los trabajos prácticos. Las entregas de las prácticas deben realizarse dentro del plazo establecido en el campus virtual y deben seguir las especificaciones indicadas en el enunciado tanto para su presentación como su defensa. Tendrá la condición de “Presentado” concurra a la prueba teórica en el período oficial de evaluación. En el caso de realización fraudulenta de ejercicios o pruebas, se aplicará la Normativa de evaluación del rendimiento académico de los estudiantes y de revisión de cualificaciones. En aplicación de la normativa correspondiente sobre plagio, la copia total o parcial de algún ejercicio de prácticas o de teoría supondrá el suspenso en la actividad en la que se haya detectado plagio, con calificación de 0.

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

Complementária

Otros comentarios