| Competencias do título |
| Código | Competencias do título |
| A8 | CON8 Recoñecer as principais ferramentas para o manexo de datos hidrolóxicos e vencellados á xestión da auga, e como os datos poden ser usados para a toma de decisións, mediante métodos baseados en conceptos estatísticos ou en intelixencia artificial. |
| B5 | HAB5 Utilizar sistemas de información xeográfica (SIG) para o tratamento e elaboración de datos xeoespaciais. Manexar ferramentas SIG, ferramentas estatísticas e ferramentas baseadas en intelixencia artificial para a análise de datos vencellados á xestión da auga |
| C6 | COM6 Integrar diferentes fontes de datos en marcos de decisión que permitan unha mellor xestión do recurso hídrico. |
| Resultados de aprendizaxe | |||
| Resultados de aprendizaxe | Competencias do título | ||
| Coñecer e comprender os paradigmas e aspectos máis relevantes do tratamento de datos para a súa aplicación no campo da hidroloxía. Coñecer os principais métodos de aprendizaxe a partir de datos, saber que tipos principais existen e como aplicalos para permitir o tratamento de datos hidrolóxicos ou de sistemas de información xeográfica e facilitar a toma de decisións. | AP8 |
BP5 |
CP6 |
| Saber como avaliar un modelo baseado en datos e coñecer as plataformas e as ferramentas dispoñibles no campo da Intelixencia Computacional. | AP8 |
CP6 |
|
| Contidos |
| Temas | Subtemas |
| 1.- Introducción á aprendizaxe | 1.1.- Ámbitos e tipos de problemas 1.2.- Características xerais. 1.3.- Precisión e dimensionalidade |
| 2.- Aprendizaxe Estatística | 2.1.- Discriminantes lineais 2.2.- Outros discriminantes |
| 3.- Árbores de decisión | 3.1.- Obxectivo da IA simbólica 3.2.- Xeneralidades 3.3.- Árbores de decisión 3.4.- Medidas de rendemento |
| 4.- Redes Neuronais Artificiais | 4.1.- Conceptos básicos 4.2.- O perceptrón 4.3.- Redes profundas e outros modelos |
| 5.- Kernels | 5.1.- Nomenclatura e definicións 5.2.- SVMs lineais 5.3.- SVMs non lineais |
| 6.- Aprendizaxe non supervisado e semisupervisado | 6.1.- Análise clúster 6.2.- Aprendizaxe por reforzo |
| 7.- Metodoloxía experimental e análise de datos e resultados | 7.1.- Extracción e selección de características 7.2.- Preprocesado de datos 7.3.- Deseño experimental 7.4.- Estimación do erro 7.5.- Selección de modelos |
| Planificación | ||||
| Metodoloxías / probas | Competencias | Horas presenciais | Horas non presenciais / traballo autónomo | Horas totais |
| Sesión maxistral | A8 B5 C6 | 11 | 15 | 26 |
| Prácticas de laboratorio | B5 C6 | 10 | 25 | 35 |
| Proba obxectiva | A8 B5 C6 | 1 | 10 | 11 |
| Atención personalizada | 3 | 0 | 3 | |
| *Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado | ||||
| Metodoloxías |
| Metodoloxías | Descrición |
| Sesión maxistral | Exposición e explicación dos contidos teóricos da materia así como resolución de exemplos de carácter didáctico ou explicativo. Complementación con medios audiovisuais e preguntas aos estudantes. Fomento do razoamento crítico e asentamento de coñecementos. |
| Prácticas de laboratorio | Prácticas de realización obrigatoria que abarcarán os contidos de cada tema da materia. Son obrigatorias para poder superar a materia e puntúan na cualificación final. |
| Proba obxectiva | Proba escrita para a avaliación individual da aprendizaxe. |
| Atención personalizada |
|
|
| Avaliación | |||
| Metodoloxías | Competencias | Descrición | Cualificación |
| Prácticas de laboratorio | B5 C6 | Prácticas de realización obrigatoria que abarcarán os contidos de cada tema da materia. Son obrigatorias para poder superar a materia e puntúan na cualificación final. | 60 |
| Proba obxectiva | A8 B5 C6 | Proba escrita para a avaliación individual da aprendizaxe. | 40 |
| Observacións avaliación | |||
|
OUTRAS NORMAS DE AVALIACIÓN DA MATERIA A asistencia regular ás clases prácticas e a entrega das mesmas nas datas e horarios indicados son condicións necesarias para superar a materia. As prácticas individuais obrigatorias rexeranse polo Regulamento disciplinar do estudantado da UDC, artigo 11, apartado 4b, aprobado por Consello de Goberno. PRESENTADO Considérase como PRESENTADO a calquera alumno que presentase un mínimo dunha actividade de avaliación. SEGUNDA OPORTUNIDADE As prácticas de entrega obrigatoria cualificadas na primeira oportunidade como SUSPENSO, poderán ser entregadas de novo, tras corrección e mellora, para a avaliación en segunda oportunidade. MATRÍCULA PARCIAL O estudante debe comunicar tal situación ao profesorado. Elimínase a obrigatoriedade de asistencia ás clases prácticas pero non a entrega das prácticas obrigatorias para avaliación. |
|||
| Fontes de información |
| Bibliografía básica |
Alpaydin E. (2004). Introduction to Machine Learning. MIT Press
Nilsson N.J. (1996). Introduction to Machine Learning: An early draft of a proposed textbook. (Abierto Link 2)
Mitchel T. (1997). Machine Learning. McGraw Hill
Michie D., Spiegelhalter D.J., Taylor C.C. (1994). Machine Learning: Neural and statistical classification. Ellis Horwood (Abierto Link 1)
Bishop C. (1996). Neural Networks for Pattern Recognition. Oxford University Press |
| Bibliografía complementaria | |
|
|
| Recomendacións | |
| Materias que se recomenda ter cursado previamente |
| Materias que se recomenda cursar simultaneamente | |
|
| Materias que continúan o temario |
| Observacións | |