| Competencias do título |
| Código | Competencias do título |
| A24 | CE24 - Comprensión e dominio dás principais técnicas básicas e avanzadas de aprendizaxe automática, incluíndo as dedicadas ao tratamento de grandes volumes de datos. |
| A25 | CE25 - Capacidade para identificar a adecuación de cada unha das técnicas de aprendizaxe automática á resolución dun problema, incluíndo os aspectos relacionados coa súa complexidade computacional ou a súa capacidade explicativa, de acordo aos requisitos establecidos. |
| A26 | CE26 - Coñecemento das ferramentas informáticas actuais no campo da aprendizaxe automática, e capacidade para seleccionar a máis adecuada para a resolución dun problema. |
| B2 | CB2 - Que os estudantes saiban aplicar os seus coñecementos ao seu traballo ou vocación dunha forma profesional e posúan as competencias que adoitan demostrarse por medio da elaboración e defensa de argumentos e a resolución de problemas dentro da súa área de estudo |
| B3 | CB3 - Que os estudantes teñan a capacidade de reunir e interpretar datos relevantes (normalmente dentro da súa área de estudo) para emitir xuízos que inclúan unha reflexión sobre temas relevantes de índole social, científica ou ética |
| B7 | CG2 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables. |
| B8 | CG3 - Ser capaz de manter e estender formulacións teóricas fundadas para permitir a introdución e explotación de tecnoloxías novas e avanzadas no campo. |
| B9 | CG4 - Capacidade para abordar con éxito todas as etapas dun proxecto de datos: exploración previa dos datos, preprocesado, análise, visualización e comunicación de resultados. |
| B10 | CG5 - Ser capaz de traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións. |
| C1 | CT1 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida. |
| Resultados de aprendizaxe | |||
| Resultados de aprendizaxe | Competencias do título | ||
| Comprender a relación entre a complexidade dos modelos de aprendizaxe, as características dos datos de aprendizaxe e o sobrexuste, e coñecer os mecanismos para evitalo. | A24 A25 |
||
| Desenvolver capacidades para deseñar as etapas dun proceso completo de análise de datos baseado en técnicas de aprendizaxe automática. | B2 B7 B9 B10 |
C1 |
|
| Saber aplicar correctamente as técnicas de aprendizaxe automática para obter resultados fiables e significativos. | A24 |
B3 B8 |
|
| Coñecer as técnicas máis representativas e actuais de aprendizaxe non supervisadas, semisupervisadas e supervisadas. | A24 |
B8 |
|
| Conocer as técnicas máis representativas de aprendizaxe para os problemas clásicos de clasificación, regresión e agrupación, e outros menos clásicos como problemas de ordenación, problemas dunha clase ou multitarea. | A24 |
B8 |
|
| Identificar as técnicas apropiadas de análise de datos segundo o problema. | A25 |
B3 B8 |
|
| Manexar as ferramentas e contornos de traballo máis actuais no ámbito da aprendizaxe automática. | A26 |
B2 B10 |
|
| Contidos |
| Temas | Subtemas |
| 1. Introducción | 1.1. Introducción ao Aprendizaxe automático 1.2. Paradigmas de aprendizaxe 1.3. Aprendizaxe Inductivo 1.4. Teoremas No Free Lunch |
| 2. Aprendizaxe supervisado | 2.1. Introducción 2.2. Redes de Neuronas Artificiais 2.3. Máquinas de Soporte Vectorial 2.4. Árbores de decisión 2.5. Árbores de regresión e árbores de modelos de regresión 2.6. Aprendizaxe baseado en instancias |
| 3. Computación Evolutiva | 3.1. Algoritmos Xenéticos 3.2. Programación Xenética 3.3. Enxames e outras técnicas de Computación Evolutiva |
| 4. Metodoloxías no análise de datos | 4.1. Metodoloxías de adestramento, avaliación e selección de modelos 4.2. Metodoloxías dun proxecto de análise de datos |
| 5. Aprendizaxe non supervisado | 5.1. Métodos de clustering 5.2. Redes autoorganizadas |
| Planificación | ||||
| Metodoloxías / probas | Competencias | Horas presenciais | Horas non presenciais / traballo autónomo | Horas totais |
| Sesión maxistral | A24 A25 B3 B8 B9 | 30 | 38 | 68 |
| Prácticas de laboratorio | A26 B2 B3 B10 C1 | 15 | 24 | 39 |
| Traballos tutelados | B2 B3 B7 B9 B10 | 15 | 24 | 39 |
| Proba obxectiva | A24 A25 B8 B9 | 2 | 0 | 2 |
| Atención personalizada | 2 | 0 | 2 | |
| *Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado | ||||
| Metodoloxías |
| 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 |
| Atención personalizada |
|
|
| Avaliación | |||
| Metodoloxías | Competencias | Descrición | Cualificación |
| Prácticas de laboratorio | A26 B2 B3 B10 C1 | Desenvolvemento dun sistema de Aprendizaxe Automático baseado nas explicacións feitas en teoría. | 25 |
| Traballos tutelados | B2 B3 B7 B9 B10 | Redacción das memorias relativas á resolución dun problema real realizado 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 |
| Proba obxectiva | A24 A25 B8 B9 | Preguntas de tipo test sobre os contenidos da asignatura, baseada nas distintas técnicas de aprendizaxe computacional e as súas sus aplicacións. | 50 |
| Observacións avaliación | |||
|
Para superar a materia, deberase obter unha calificación mínima de 5 sobre 10 no resultado de combinar as calificaciòns da proba obxectiva, as prácticas de laboratorio e os traballos tutelados. Ademáis, deberase obter unha nota mínima de 2 sobre 5 puntos na proba obxectiva. Se non obtén esta nota mínima, a nota da materia será a correspondente á nota da proba obxectiva. Na segunda oportunidade, mantense a nota obtida nas prácticas de laboratorio, e traballos tutelados, non podendo volver a obter nota xa que resulta da evaluación continua do traballo durante os créditos de práctica da materia. Poderase voltar a facer o exame da proba obxectiva, sendo os criterios para obter a nota total os indicados ó principio deste apartado. Aqueles estudantes con matrícula a tempo parcial deberán entregar os traballos en data al igual que os de a tiempo completo, e asistir a os TGR nos que se correxirán os mesmos. De igual manera, é recomendable a súa asistencia ás clases de prácticas. Non presentado: O/A estudante recibirá a cualificación de "non presentado" cando non realice o exame final. Realización fraudulenta de exercicios ou probas: Nos casos de realización fraudulenta de exercicios ou probas, aplicarase o estipulado na normativa da UDC a ese respecto. |
|||
| Fontes de información |
| 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
Marcos Gestal, Daniel Rivero, Juan Ramón Rabuñal, Julián Dorado, Alejandro Pazos (2010). Introducción a los Algoritmos Genéticos y a la Programación Genética. Servicio de Publicaciones de la Universidade da Coruña
Ethem Alpaydin (2004). Introduction to Machine Learning. MIT Press
David Aha (). Lazy Learning. Kluwer Academics Publishers
T.M. Mitchell (1997). Machine Learning. McGraw Hill
Saso Dzeroski, Nada Lavrac (). Relational Data Mining. Springer
Andrew Webb (2002). Statistical Pattern Recognition. Wiley |
|
|
|
| Bibliografía complementaria | |
|
|
| Recomendacións | |||||||
| Materias que se recomenda ter cursado previamente | |||||||
|
| Materias que se recomenda cursar simultaneamente | ||
|
| Materias que continúan o temario | |||||
|
| Observacións | |