| Competencias del título |
| Código | Competencias del título |
| A8 | CON8 Reconocer las principales herramientas para el manejo de datos hidrológicos y vinculados a la gestión del agua, y como los datos pueden ser usados para la toma de decisiones, mediante métodos basados en conceptos estadísticos o en inteligencia artificial. |
| B5 | HAB5 Utilizar sistemas de información geográfica (SIG) para el tratamiento y elaboración de datos geoespaciales. Manejar herramientas SIG, herramientas estadísticas y herramientas basadas en inteligencia artificial para el análisis de datos vinculados a la gestión del agua |
| C6 | COM6 Integrar distintas fuentes de datos en marcos de decisión que permitan una mejor gestión del recurso hídrico. |
| Resultados de aprendizaje | |||
| Resultados de aprendizaje | Competencias del título | ||
| Conocer y comprender los paradigmas y aspectos más relevantes del tratamiento de datos para su aplicación en el campo de la hidrología. Conocer los principales métodos de aprendizaje a partir de datos, saber qué tipos principales existen y cómo aplicarlos para permitir el tratamiento de datos hidrológicos o de sistemas de información geográfica y facilitar la toma de decisiones. | AP8 |
BP5 |
CP6 |
| Saber cómo evaluar un modelo basado en datos y conocer las plataformas y las herramientas disponibles en el campo de la Inteligencia Computacional. | AP8 |
CP6 |
|
| Contenidos |
| Tema | Subtema |
| 1.- Introducción al aprendizaje | 1.1.- Ámbitos y tipos de problemas 1.2.- Características generales 1.3.- Precisión y dimensionalidad |
| 2.- Aprendizaje Estadística | 2.1.- Discriminantes lineales 2.2.- Otros discriminantes |
| 3.- Árboles de Decisión | 3.1.- Objetivo de la IA simbólica 3.2.- Generalidades 3.3.- Árboles de Decisión 3.4.- Medidas de rendimiento |
| 4.- Redes Neuronales Artificiales | 4.1.- Conceptos básicos 4.2.- El perceptrón 4.3.- Redes profundas y otros modelos |
| 5.- Kernels | 5.1.- Nomenclatura y definiciones 5.2.- SVMs lineales 5.3.- SVMs no lineales |
| 6.- Aprendizaje no supervisado y semisupervisado | 6.1.- Análisis clúster 6.2.- Aprendizaje por refuerzo |
| 7.- Metodología experimental y análisis de datos y resultados | 7.1.- Extracción y selección de características 7.2.- Preprocesado de datos 7.3.- Diseño experimental 7.4.- Estimación del error 7.5.- Selección de modelos |
| Planificación | ||||
| Metodologías / pruebas | Competéncias | Horas presenciales | Horas no presenciales / trabajo autónomo | Horas totales |
| Sesión magistral | A8 B5 C6 | 11 | 15 | 26 |
| Prácticas de laboratorio | B5 C6 | 10 | 25 | 35 |
| Prueba objetiva | A8 B5 C6 | 1 | 10 | 11 |
| Atención personalizada | 3 | 0 | 3 | |
| (*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos | ||||
| Metodologías |
| Metodologías | Descripción |
| Sesión magistral | Exposición y explicación de los contenidos teóricos de la asignatura así como resolución de ejemplos de carácter didáctico o explicativo. Complementación con medios audiovisuales y preguntas a los estudiantes. Fomento del razonamiento crítico y asentamiento de conocimientos. |
| Prácticas de laboratorio | Prácticas de realización obligatoria que abarcarán los contenidos de cada tema de la materia. Son obligatorias para poder superar la materia y puntúan en la calificación final. |
| Prueba objetiva | Prueba escrita para la evaluación individual del aprendizaje. |
| Atención personalizada |
|
|
| Evaluación | |||
| Metodologías | Competéncias | Descripción | Calificación |
| Prácticas de laboratorio | B5 C6 | Prácticas de realización obligatoria que abarcarán los contenidos de cada tema de la materia. Son obligatorias para poder superar la materia y puntúan en la calificación final. | 60 |
| Prueba objetiva | A8 B5 C6 | Prueba escrita para la evaluación individual del aprendizaje. | 40 |
| Observaciones evaluación | |||
|
OTRAS NORMAS DE EVALUACIÓN DE LA ASIGNATURA
La asistencia regular a las clases prácticas y la entrega de las mismas en las fechas y horarios indicados son condiciones necesarias para superar la materia. Las prácticas individuales obligatorias se regirán por el Reglamento disciplinar del estudiantado de la UDC, artículo 11, apartado 4b, aprobado por Consejo de Gobierno. PRESENTADO Se considera como PRESENTADO a cualquier alumno que haya presentado un mínimo de una actividad de evaluación. SEGUNDA OPORTUNIDAD Las prácticas de entrega obligatoria calificadas en la primera oportunidad como SUSPENSO, podrán ser entregadas de nuevo, tras corrección y mejora, para la evaluación en segunda oportunidad. MATRÍCULA PARCIAL El estudiante debe comunicar tal situación al profesorado. Se elimina la obligatoriedad de asistencia a las clases prácticas pero no la entrega de las prácticas obligatorias para evaluación. |
|||
| Fuentes de información |
| 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 |
| Complementária | |
|
|
| Recomendaciones | |
| Asignaturas que se recomienda haber cursado previamente |
| Asignaturas que se recomienda cursar simultáneamente | |
|
| Asignaturas que continúan el temario |
| Otros comentarios | |