Competencias do título |
Código
|
Competencias do título
|
A1 |
Capacidade para utilizar os conceptos e métodos matemáticos e estatísticos para modelizar e resolver problemas de intelixencia artificial. |
A2 |
Capacidade para resolver problemas de intelixencia artificial que precisen algoritmos, aplicando correctamente metodoloxías de desenvolvemento software e deseño centrado en usuario/a. |
A12 |
Coñecer os fundamentos dos algoritmos e modelos da intelixencia artificial para a resolución de problemas de certa complexidade, entender a súa complexidade computacional e ter capacidade para deseñar novos modelos. |
A15 |
Coñecer e saber aplicar e explicar correctamente as técnicas de validación das solucións de intelixencia artificial. |
B3 |
Que o alumnado teña 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. |
B5 |
Que o alumnado desenvolva aquelas habilidades de aprendizaxe necesarias para emprender estudos posteriores cun alto grao de autonomía. |
B7 |
Capacidade para resolver problemas con iniciativa, toma de decisións, autonomía e creatividade. |
B9 |
Capacidade para seleccionar e xustificar os métodos e técnicas adecuadas para resolver un problema concreto, ou para desenvolver e propor novos métodos baseados en intelixencia artificial. |
B10 |
Capacidade para concibir novos sistemas computacionais e/ou avaliar o rendemento de sistemas existentes, que integren modelos e técnicas de intelixencia artificial. |
C3 |
Capacidade para crear novos modelos e solucións de forma autónoma e creativa, adaptándose a novas situacións. Iniciativa e espírito emprendedor. |
Resultados de aprendizaxe |
Resultados de aprendizaxe |
Competencias do título |
Coñecer, comprender e saber utilizar os fundamentos dos procesos de aprendizaxe automática. |
A1 A12
|
B5 B10
|
C3
|
Coñecer os fundamentos dos modelos de regresión, clasificación e agrupamento. |
A2 A12
|
B3 B7 B9
|
|
Saber construír modelos estatísticos avanzados para a análise de datos. |
A2 A12 A15
|
B7 B9
|
C3
|
Saber como basear o modelado e a resolución de problemas utilizando técnicas de aprendizaxe automática. |
A1 A2 A12
|
B5 B7 B9
|
C3
|
Saber construír modelos de aprendizaxe automática para regresión, clasificación e agrupamento. |
A1 A2 A12 A15
|
B5 B7 B9 B10
|
C3
|
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
|
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
|
3. Computación Evolutiva |
3.1. Algoritmos Xenéticos
3.2. Programación Xenética
3.3. Enxames e outras técnicas de Computación Evolutiva
|
5. Clustering |
5.1. Métodos de clustering
|
Planificación |
Metodoloxías / probas |
Competencias |
Horas presenciais |
Horas non presenciais / traballo autónomo |
Horas totais |
Sesión maxistral |
A12 A15 B5 B9 B10 C3 |
30 |
38 |
68 |
Prácticas de laboratorio |
A1 A2 B3 B7 C3 |
15 |
24 |
39 |
Traballos tutelados |
A1 A2 A15 B3 B7 B10 |
15 |
24 |
39 |
Proba obxectiva |
A1 A12 B5 B7 B10 |
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 |
Metodoloxías
|
Prácticas de laboratorio |
Traballos tutelados |
|
Descrición |
Realización do traballo práctico co asesoramiento do profesor.
Redacción das memorias explicativas baixo a tutela do profesor.
Titorías: As sesións de titorías servirán para resolver as dúbidas do alumnado relacionadas cos contidos da materia. Estas titorías serán tanto presenciais como virtuais a través de correo electrónico, campus virtual ou plataforma Microsoft Teams.
Curso Virtual: Esta materia dispoñerá dun curso virtual a través do que se facilitará ao alumnado todo o material necesario en formato dixital. Proporcionarase tamén distintas ferramentas de comunicación para o apoio, tanto da docencia como das titorías, incluíndo videoconferencia, chat, correo electrónico, foros… |
|
Avaliación |
Metodoloxías
|
Competencias |
Descrición
|
Cualificación
|
Prácticas de laboratorio |
A1 A2 B3 B7 C3 |
Desenvolvemento dun sistema de Aprendizaxe Automático baseado nas explicacións feitas en teoría. |
25 |
Traballos tutelados |
A1 A2 A15 B3 B7 B10 |
Redacción das memorias relativas á resolución dun problema real 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 |
Proba obxectiva |
A1 A12 B5 B7 B10 |
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 calificaciónmínima 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. Senon obtén esta nota mínima, a nota da materia será a correspondente á nota daproba 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 igual que os de tiempo completo, e asistir a os TGR nos que se correxirán os mesmos. De igual manera, é recomendable a súa asistencia ás clases deprácticas. Non presentado: O/A estudante recibirá a cualificación de "non presentado" cando non realice o exame final. Realización fraudulenta de exercicios ou probas: A realización fraudulenta das probas ou actividades de avaliación, unha vez comprobada, implicará directamente a cualificación de suspenso na convocatoria en que se cometa: o/a estudante será cualificado con “suspenso” (nota numérica 0) na convocatoria correspondente do curso académico, tanto se a comisión da falta se produce na primeira oportunidade como na segunda. Para isto, procederase a modificar a súa cualificación na acta de primeira oportunidade, se fose necesario
|
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 |
Programación I/614G03006 | Programación II/614G03007 | Matemática Discreta/614G03003 | Álxebra/614G03001 | Cálculo e Análise Numérica/614G03002 | Estatística/614G03004 | Algoritmos/614G03008 | Algoritmos Básicos da Intelixencia Artificial/614G03019 | Representación do Coñecemento e Razonamento/614G03020 |
|
Materias que se recomenda cursar simultaneamente |
Optimización Matemática/614G03005 |
|
Materias que continúan o temario |
|
|