Para superar la materia, se deberá obtener una calificación mínima de 5 sobre 10 como resultado de combinar las calificaciones de la prueba objetiva, las prácticas de laboratorio y los trabajos tutelados. Ademáis, el se deberá obtener una nota mínima de 2 sobre 5 puntos en la prueba objetiva. Si no obtiene esta nota mínima, la nota de la materia será la correspondiente a la nota de la prueba objetiva.

En la segunda oportunidad, se mantiene la nota obtenida en las prácticas de laboratorio y trabajos tutelados, no pudiendo volver a obtener nota ya que resulta de la evaluación continua del trabajo durante los créditos de práctica da materia. Se puede volver a hacer el examen de la prueba objetiva, siendo los criterios para obtener la nota total los indicados al principio de este apartado.

Aquellos estudiantes con matrícula a tempo parcial deberán entregar los trabajos en fecha al igual que los de tiempo completo, y asistir a los TGR en los que se corregirán los mismos. De igual manera, es recomendable su asistencia a las clases de prácticas.

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.

Resultados de aprendizaje	Competencias del título
Conocer, comprender y saber utilizar los fundamentos de los procesos de aprendizaje automático.	A1 A12	B5 B10	C3
Conocer los fundamentos de los modelos de regresión, clasificación y agrupamiento.	A2 A12	B3 B7 B9
Saber construir modelos estadísticos avanzados para el análisis de datos.	A2 A12 A15	B7 B9	C3
Saber fundamentar la modelización y resolución de problemas mediante técnicas de aprendizaje automático.	A1 A2 A12	B5 B7 B9	C3
Saber construir modelos de aprendizaje automático para regresión, clasificación y agrupamiento.	A1 A2 A12 A15	B5 B7 B9 B10	C3

Tema	Subtema
1. Introducción	1.1. Introducción al Aprendizaxe automático 1.2. Paradigmas de aprendizaje 1.3. Aprendizaje Inductivo 1.4. Teoremas No Free Lunch
2. Aprendizaje supervisado	2.1. Introducción 2.2. Redes de Neuronas Artificiales 2.3. Máquinas de Soporte Vectorial 2.4. Árboles de decisión 2.5. Árboles de regresión y árboles de modelos de regresión 2.6. Aprendizaje basado en instancias
4. Metodologías en el análisis de datos	4.1. Metodologías de entrenamiento, evaluación y selección de modelos 4.2. Metodologías de un proyecto de análisis de datos
3. Computación Evolutiva	3.1. Algoritmos Genéticos 3.2. Programación Genética 3.3. Enjambres y otras técnicas de Computación Evolutiva
5. Clustering	5.1. Métodos de clustering

Metodologías / pruebas	Competéncias	Horas presenciales	Horas no presenciales / trabajo autónomo	Horas totales
Sesión magistral	A12 A15 B5 B9 B10 C3	30	38	68
Prácticas de laboratorio	A1 A2 B3 B7 C3	15	24	39
Trabajos tutelados	A1 A2 A15 B3 B7 B10	15	24	39
Prueba objetiva	A1 A12 B5 B7 B10	2	0	2

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	Impartición teórica de la materia da asignatura
Prácticas de laboratorio	Resolver problemas prácticos mediante el uso de las distintas técnicas que se explicarán en las clases de teoría
Trabajos tutelados	Redacción, bajo la tutela del profesor, de las memorias en las que se expliquen las resoluciones de los problemas realizados en las prácticas de laboratorio
Prueba objetiva	Prueba de evaluación escrita en la que el alumno deberá demostrar los conocimientos adquiridos en la asignatura

Metodologías	Competéncias	Descripción	Calificación
Prácticas de laboratorio	A1 A2 B3 B7 C3	Desarrollo de un sistema de Aprendizaje Automático apoyándose en las explicaciones realizadas en teoría.	25
Trabajos tutelados	A1 A2 A15 B3 B7 B10	Redacción de las memorias relativas a la resolución de un problema real realizado en las prácticas de laboratorio. La redacción de las memorias 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 obtenidos en la aplicación de las distintas técnicas, así como una valoración crítica tanto de los resultados obtenidos como de la información utilizada.	25
Prueba objetiva	A1 A12 B5 B7 B10	Preguntas de tipo test sobre los contenidos de la asignatura, basada en las distintas técnicas de aprendizaje computacional y sus aplicaciones.	50

Observaciones evaluación
Para superar la materia, se deberá obtener una calificación mínima de 5 sobre 10 como resultado de combinar las calificaciones de la prueba objetiva, las prácticas de laboratorio y los trabajos tutelados. Ademáis, el se deberá obtener una nota mínima de 2 sobre 5 puntos en la prueba objetiva. Si no obtiene esta nota mínima, la nota de la materia será la correspondiente a la nota de la prueba objetiva. En la segunda oportunidad, se mantiene la nota obtenida en las prácticas de laboratorio y trabajos tutelados, no pudiendo volver a obtener nota ya que resulta de la evaluación continua del trabajo durante los créditos de práctica da materia. Se puede volver a hacer el examen de la prueba objetiva, siendo los criterios para obtener la nota total los indicados al principio de este apartado. Aquellos estudiantes con matrícula a tempo parcial deberán entregar los trabajos en fecha al igual que los de tiempo completo, y asistir a los TGR en los que se corregirán los mismos. De igual manera, es recomendable su asistencia a las clases de prácticas. 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.

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

Complementária

Otros comentarios