Para superar la materia, el/la estudiente tendrá que realizar todas las actividades que se propongan y superar los exámenes correspondientes.

Primera oportunidad:

Para superar la asignatura, el/la estudiente deberá haber entregado y superado las actividades propuestas (50% de la calificación final) y aprobar el examen final (50% de la calificación).

Exámenes parciales: no se realizará ningún examen parcial.

Segunda oportunidad:

Se mantiene la nota conseguida en las prácticas durante el curso y también su peso en la nota final. Los/Las estudienates que no hubiesen alcanzado la nota de corte en las actividades propuestas durante la convocatoria anterior, podrán entregar, en fecha previa al examen final de segunda oportunidad, actividades similares a las no superadas, que serán propuestas por los docentes. Una vez aprobadas ambas partes por separado, el examen será el 50% de la nota final y las prácticas el 50% restante.

Dispensa de asistencia:

En caso de dispensa de asistencia los alumnos se examinarán en las mismas condiciones que los/las estudientes en primera convocatoria

Estudiantes repetidores:

Los/Las estudientes repetidores de años anteriores se examinarán en las mismas condiciones que los alumnos en primera convocatoria

Non presentado:

El/La estudiente recibirá a calificación de "no-presentado" cuando no haga el examen final

Realización fraudulenta de ejercicios o pruebas:

La realización fraudulenta de las pruebas o actividades de evaluación, una vez comprobada, implicará directamente la calificación de suspenso en la convocatoria en la que se cometa: el/la estudiante será calificado con "suspenso" (nota numérica 0) en la convocatoria correspondiente del curso académico, tanto si la comisión de la falta se produce en la primera oportunidad como en la segunda. Para esto, se procederá a modificar su calificación en el acta de primera oportunidad, si fuese necesario.

Evaluación de las competencias:

En general el desarrollo de las actividades prácticas, proyectos y casos de uso, así como a preparación de los temas teóricos permitirá al alumnado trabajar las competencias básicas, generales y transversales de la materia. En concreto, a través de los proyectos y los casos de uso se valorarán las competencias CT7, CT9, CG5 CG4, CG2

El desarrollo de las prácticas, así como la prueba final permitirá evaluar las competencias específicas: CE10, CE11, CE12, CE15

Igualdad:

- De acuerdo con las diversas normativas aplicables a la enseñanza universitaria, se debe incorporar la perspectiva de género en esta materia (utilizando un lenguaje no sexista, utilizando bibliografía de autores de ambos sexos, fomentando la participación de estudiantes hombres y mujeres en clase).

- Se trabajará para identificar y modificar prejuicios y actitudes sexistas, y se influirá en el entorno para cambiarlos y fomentar valores de respeto e igualdad.

- Deberán detectarse situaciones de discriminación por razón de género y se propondrán acciones y medidas para corregirlas.

Resultados de aprendizaje	Competencias del título
Adquirir los conocimientos sobre el funcionamiento de las principales técnicas de aprendizaje incremental	AM10 AM11 AM12 AM15	BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9	CM3 CM4 CM7 CM8 CM9
Aplicar técnicas de aprendizaje incremental para el análisis de datos en tiempo real en entornos estacionarios y no estacionarios	AM10 AM11 AM12 AM15	BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9	CM3 CM4 CM7 CM8 CM9
Conocer el principio de funcionamiento de los principales paradigmas de aprendizaje con preservación de la privacidad.	AM10 AM11 AM12 AM15	BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9	CM3 CM4 CM7 CM8 CM9

Tema	Subtema
1. Teoría	1. Machine Learning Online 2. Concept Drift 3. Federated Learning
2. Práctica	1. Machine Learning Online y Concept Drift 2. Federated Learning

Metodologías / pruebas	Competéncias	Horas presenciales	Horas no presenciales / trabajo autónomo	Horas totales
Sesión magistral	A11 A12 A13 A16 B3 B6 B7 B8 B9 C3 C4 C8	10	10	20
Seminario	A11 A12 A13 A16 B2 B4 B5 C7 C9	4	20	24
Prácticas a través de TIC	A11 A12 A13 A16 B3 B6 B7 B8 C3 C4 C8	7	21	28
Prueba mixta	A11 A12 A13 A16 B4 B6 B7	1	0	1

Atención personalizada		2	0	2

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

Metodologías	Descripción
Sesión magistral	Los contenidos de la asignatura se impartirán de manera indistinta entre las clases expositivas las clases interactivas. La realización de todas las actividades propuestas es necesaria, al igual que la asistencia a todas las clases (expositivas e interactivas) para superar la asignatura. Clases Expositivas (teoría): consistirán en la explicación de los diferentes apartados del programa de la asignatura, con la ayuda de medios electrónicos (presentaciones, vídeos, etc.).
Seminario	Estudio de casos: se podrán plantear al alumnado escenarios de trabajo, reales o ficticios, que presenten determinadas problemáticas. El alumnado deberá aplicar los conocimientos teórico-prácticos de la asignatura para buscar una solución a la cuestión o cuestiones planteadas. Como norma general, el estudio de casos se realizará en grupos. Los distintos grupos de trabajo expondrán y pondrán en común sus soluciones.
Prácticas a través de TIC	Clases interactivas (prácticas): se plantearán diferentes problemas prácticos relacionados con el contenido de la asignatura para que el alumno resuelva de forma individual o en grupos. Aprendizaje por proyectos: se podrá plantear al alumnado proyectos prácticos cuyo alcance requiera que se le dedique un parte importante de la dedicación total del alumno a la asignatura. Trabajo autónomo: el alcance y objetivos de los proyectos, casos de uso y/o problemas prácticos podrán requerir del trabajo autónomo por parte de alumnado, aunque con la tutela del profesorado.
Prueba mixta	Una prueba mixta que puede contener preguntas tipo test, preguntas de respuesta corta o preguntas de desarrollo. Va a evaluar la parte teórica de la asignatura y puede contener preguntas sobre el contenido de los seminarios o ejercicios prácticos

Metodologías	Competéncias	Descripción	Calificación
Prueba mixta	A11 A12 A13 A16 B4 B6 B7	Prueba subjetiva que puede ser un modelo mixto con preguntas tipo test y algunas preguntas de respuesta corta o de desarrollo.	50
Prácticas a través de TIC	A11 A12 A13 A16 B3 B6 B7 B8 C3 C4 C8	Esta calificación incluirá la evaluación de las lecciones y el proyecto desarrollado.	30
Seminario	A11 A12 A13 A16 B2 B4 B5 C7 C9	Se incluirá la evaluación de las lecciones y trabajos realizados en los seminarios.	20

Observaciones evaluación
Para superar la materia, el/la estudiente tendrá que realizar todas las actividades que se propongan y superar los exámenes correspondientes. Primera oportunidad: Para superar la asignatura, el/la estudiente deberá haber entregado y superado las actividades propuestas (50% de la calificación final) y aprobar el examen final (50% de la calificación). Exámenes parciales: no se realizará ningún examen parcial. Segunda oportunidad: Se mantiene la nota conseguida en las prácticas durante el curso y también su peso en la nota final. Los/Las estudienates que no hubiesen alcanzado la nota de corte en las actividades propuestas durante la convocatoria anterior, podrán entregar, en fecha previa al examen final de segunda oportunidad, actividades similares a las no superadas, que serán propuestas por los docentes. Una vez aprobadas ambas partes por separado, el examen será el 50% de la nota final y las prácticas el 50% restante. Dispensa de asistencia: En caso de dispensa de asistencia los alumnos se examinarán en las mismas condiciones que los/las estudientes en primera convocatoria Estudiantes repetidores: Los/Las estudientes repetidores de años anteriores se examinarán en las mismas condiciones que los alumnos en primera convocatoria Non presentado: El/La estudiente recibirá a calificación de "no-presentado" cuando no haga el examen final Realización fraudulenta de ejercicios o pruebas: La realización fraudulenta de las pruebas o actividades de evaluación, una vez comprobada, implicará directamente la calificación de suspenso en la convocatoria en la que se cometa: el/la estudiante será calificado con "suspenso" (nota numérica 0) en la convocatoria correspondiente del curso académico, tanto si la comisión de la falta se produce en la primera oportunidad como en la segunda. Para esto, se procederá a modificar su calificación en el acta de primera oportunidad, si fuese necesario. Evaluación de las competencias: En general el desarrollo de las actividades prácticas, proyectos y casos de uso, así como a preparación de los temas teóricos permitirá al alumnado trabajar las competencias básicas, generales y transversales de la materia. En concreto, a través de los proyectos y los casos de uso se valorarán las competencias CT7, CT9, CG5 CG4, CG2 El desarrollo de las prácticas, así como la prueba final permitirá evaluar las competencias específicas: CE10, CE11, CE12, CE15 Igualdad: - De acuerdo con las diversas normativas aplicables a la enseñanza universitaria, se debe incorporar la perspectiva de género en esta materia (utilizando un lenguaje no sexista, utilizando bibliografía de autores de ambos sexos, fomentando la participación de estudiantes hombres y mujeres en clase). - Se trabajará para identificar y modificar prejuicios y actitudes sexistas, y se influirá en el entorno para cambiarlos y fomentar valores de respeto e igualdad. - Deberán detectarse situaciones de discriminación por razón de género y se propondrán acciones y medidas para corregirlas.

Básica	Bahri, M., Bifet, A., Gama, J., Gomes, H. M., & Maniu, S (2021). Data stream analysis: Foundations, major tasks and tools. Wiley nterdisciplinary Reviews: Data Mining and Knowledge Discovery,11(3) Orabona, F. (2019). A modern introduction to online learning.. arXivpreprint arXiv:1912.13213 Gama, J., Žliobaitė, I., Bifet, A., Pechenizkiy, M., & Bouchachia, A. (2014). A survey on concept drift adaptation.. CM computing surveys(CSUR),46(4), 1-37 Li, T., Sahu, A. K., Talwalkar, A., & Smith, V. (2020). Federated learning: Challenges, methods, and future directions.. IEEE signal processing magazine, 37(3), 50-60 Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2019). Federated machine learning: Concept and applications.. ACM Transactions on Intelligent Systems and Technology (TIST), 10(2), 1-19 Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., & Zhang, G. (2018). Learning under concept drift: A review.. IEEE Transactions on Knowledge and DataEngineering,31(12), 2346-2363 Bifet, A., Gavalda, R., Holmes, G., & Pfahringer, B (2018). Machine learning for data streams: with practical examples in MOA. MIT Press Gomes, H. M., Read, J., Bifet, A., Barddal, J. P., & Gama, J. (2019). Machine learning for streaming data: state of the art, challenges, and opportunities.. ACM SIGKDD Explorations Newsletter,21(2), 6-22 Hoi, S. C., Sahoo, D., Lu, J., & Zhao, P. (2021). Online learning: A comprehensive survey. Neurocomputing,459, 249-289.

Complementária	Gama, J., Medas, P., Castillo, G., & Rodrigues, P. (2004). Learning with drift detection. InBrazilian symposium on artificialintelligence(pp. 286-295). Springer, Berlin, Heidelberg. AbdulRahman, S., Tout, H., Ould-Slimane, H., Mourad, A., Talhi, C., & Guizani, M. (2020). A survey on federated learning: The journey fromcentralized to distributed on-site learning and beyond.. IEEE Internet of Things Journal, 8(7), 5476-5497 Bifet, A., & Gavalda, R. (2009). Adaptive learning from evolving data streams.. InAdvances in Intelligent Data Analysis VIII McMahan, B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. In Artificial intelligence and statistics (pp. 1273-1282). Rahman, K. J., Ahmed, F., Akhter, N., Hasan, M., Amin, R., Aziz, K. E., ... & Islam, A. N. (2021). hallenges, applications and design aspects of federated learning: A survey.. IEEE Access,9, 124682-124700. Bifet, A., Gavalda, R. (2007). Learning from time-changing data with adaptive windowing. Proceedings of the 2007 SIAM international conference ondata mining, pp. 443-448. Society for Indust Gama, J., & Castillo, G. (2006). Learning with local drift detection.. Advanced Data Mining and Applications: Second International Conference,ADMA 2006, Xi’an, China, Augu Gomes, H. M., Montiel, J., Mastelini, S. M., Pfahringer, B., & Bifet, A. (2020). On ensemble techniques for data stream regression. In 2020International Joint Conference on Neural Networks (IJCNN) (pp. 1-8) Ghesmoune, M., Lebbah, M., & Azzag, H (2016). State-of-the-art on clustering data streams.. Big Data Analytics, 1, 1-27 (). ttps://federated.withgoogle.com/.