| Study programme competencies |
| Code | Study programme competences |
| A8 | CON8 Recognize the main tools for the management of hydrological data and water-related information, and how data can be used for decision-making through methods based on statistical concepts or artificial intelligence |
| B5 | HAB5 Utilize Geographic Information Systems (GIS) for the processing and development of geospatial data. Manage GIS tools, statistical tools, and artificial intelligence-based tools for data analysis related to water management. |
| C6 | COM6 Integrate diverse data sources into decision frameworks to facilitate improved management of water resources |
| Learning aims | |||
| Learning outcomes | Study programme competences | ||
| 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. | AJ8 |
BJ5 |
CJ6 |
| Saber como avaliar un modelo baseado en datos e coñecer as plataformas e as ferramentas dispoñibles no campo da Intelixencia Computacional. | AJ8 |
CJ6 |
|
| Contents |
| Topic | Sub-topic |
| 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 |
| Planning | ||||
| Methodologies / tests | Competencies | Ordinary class hours | Student’s personal work hours | Total hours |
| Guest lecture / keynote speech | A8 B5 C6 | 11 | 15 | 26 |
| Laboratory practice | B5 C6 | 10 | 25 | 35 |
| Objective test | A8 B5 C6 | 1 | 10 | 11 |
| Personalized attention | 3 | 0 | 3 | |
| (*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students. | ||||
| Methodologies |
| Methodologies | Description |
| Guest lecture / keynote speech | 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. |
| Laboratory practice | 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. |
| Objective test | Proba escrita para a avaliación individual da aprendizaxe. |
| Personalized attention |
|
|
| Assessment | |||
| Methodologies | Competencies | Description | Qualification |
| Laboratory practice | 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 |
| Objective test | A8 B5 C6 | Proba escrita para a avaliación individual da aprendizaxe. | 40 |
| Assessment comments | |||
|
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. |
|||
| Sources of information |
| Basic |
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 |
| Complementary | |
|
|
| Recommendations | |
| Subjects that it is recommended to have taken before |
| Subjects that are recommended to be taken simultaneously | |
|
| Subjects that continue the syllabus |
| Other comments | |