Para obtener el aprobado en esta materia se deberá superar una valoración mínima de 50 sumando todas las metodologías anteriores, siendo necesario conseguir un mínimo de 30 en los Trabajos Tutelados y de 25 en la suma de la Presentación Oral y el Análisis de fuentes documentales.

En caso de que el alumno no supere la materia en la primera convocatoria, deberá repetir las actividades que sean necesarias de la/de las metodogía/ s que no fueron superadas en la segunda convocatoria. Como ejemplo, si un alumno aprobó la parte de la Presentación oral + Análisis de fuentes documentales, pero suspendió los Trabajos tutelados, deberá repetir los trabajos prácticos necesarios para alcanzar el aprobado, normalmente aquel/aquellos que individualmente no fueron aprobados.

Evaluación de la convocatoria extraordinaria: los alumnos que opten por esta convocatoria deberán realizar las metodologías de trabajos tutelados y presentación oral, pero no el Análisis de fuentes documentales. El valor de esta metodología se suma en la de Presentación Oral, pasando a valer un 40%. Y necesario que se pongan en contacto con los profesores al comienzo del cuatrimestre (Enero) para tener uno plazo suficiente de entrega.

Los alumnos con matrícula a tiempo parcial podrán acumular el 15% de la nota correspondiente al Análisis de fuentes documentales en la presentación oral en todas las convocatorias. Esta modificación deberá solicitarse a los profesores de la materia al inicio del cuatrimestre. Asimismo, en caso de no poder realizar la presentación oral con el resto del alumnado, deberán concretar una fecha alternativa con los profesores en todas las convocatorias.

En el caso de plagio en prácticas o trabajos docentes entregados, si tendrá en cuenta el artículo 11, apartado 4 b), del Reglamento disciplinar del estudiante de la UDC:

b) Calificación de suspenso en la convocatoria en que se cometa la falta y respecto de la materia en que se cometiera: lo/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 fuera necesario.

Resultados de aprendizaje	Competencias del título
Conocer las principales técnicas de preparación de los datos y reducción de la dimensionalidad, y su uso práctico	AP8	BP1 BP2 BP6 BP13	CP1 CP3
Conocer las principales técnicas clasificación supervisada y no supervisada, y su uso práctico	AP8	BP1 BP4 BP6 BP13 BP14	CP1 CP3 CP11
Conocer las principales técnicas para la obtención de modelos para regresión/identificación de sistemas para estimación y predicción, y su uso práctico	AP8	BP1 BP4 BP6 BP13 BP14	CP1 CP3 CP11
Conocer las principales metodologías experimentales y de análisis de resultados en el campo del aprendizaje automático		BP1 BP4 BP5 BP6 BP14 BP16	CP1 CP6 CP7 CP8
Evaluar un problema de aprendizaje en ingeniería que se pueda resolver mediante las técnicas vistas en la asignatura, y justificar la elección de la más adecuada, así como exponer dichas conclusiones de manera fiable		BP1 BP2 BP3 BP13 BP14 BP15	CP3 CP6 CP7 CP8 CP9 CP11

Tema	Subtema
Introducción al aprendizaje automático	Conceptos preliminares. Tipos de problemas: clasificación, regresión, clustering, detección de anomalías, etc. Formas de aprendizaje: supervisado, no supervisado, por refuerzo, etc.
Métodos de clasificación y agrupamiento	Introducción Algoritmos de clasificación supervisada Algoritmos de clasificación no supervisada (clustering)
Métodos para el procesado de datos	Preparación de los datos Reducción de dimensionalidad
Metodología experimental y análisis de resultados	Métodos para estimación del error Análisis de resultados Comparación de modelos
Métodos de regresión para modelado y predicción	Introducción Modelos principales Redes de neuronas artificiales

Metodologías / pruebas	Competéncias	Horas presenciales	Horas no presenciales / trabajo autónomo	Horas totales
Trabajos tutelados	B2 B3 B4 B13 C1 C3	0	37	37
Presentación oral	B1 B5 B15 B14 B6 C7 C9 C11	3	9	12
Prácticas a través de TIC	A8 B13 B14 B16 B6 C11	10.5	21	31.5
Análisis de fuentes documentales	B3 B5 B14 B6 C11	2	8	10
Sesión magistral	B1 B6 C6 C8	16	2	18

Atención personalizada		4	0	4

(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías	Descripción
Trabajos tutelados	Prácticas de programación fuera del aula en las que se implementarán, en el lenguaje de programación seleccionado por los profesores de la asignatura, algunas de las técnicas vistas en las clases de teoría sobre problemas reales de ingeniería. Estos trabajos serán realizados por los alumnos de forma autónoma y su avance será tutorizado por los profesores
Presentación oral	Trabajo o trabajos de teoría sobre algún tema propuesto por los profesores de la asignatura que deberán ser expuestos delante de los compañeros y entregados también por escrito
Prácticas a través de TIC	Sesiones presenciales con el ordenador en las que los profesores explicarán el uso y programación de las técnicas de aprendizaje automático vistas en teoría, de modo que los alumnos adquieran las capacidades suficientes para utilizarlas autónomamente.
Análisis de fuentes documentales	Técnica metodológica que supone la utilización de documentos audiovisuales y/o bibliográficos relevantes para la temática de la materia con actividades específicamente diseñadas para el análisis de los mismos. En este caso, se utilizará en un contexto de "clase invertida" en la que los conceptos teóricos serán revisados por los estudiantes de forma autónoma previamente a la sesión magistral, en la que se hará una actividad de evaluación de su comprensión.
Sesión magistral	Exposición oral por parte de los profesores de la asignatura del temario teórico

Metodologías	Competéncias	Descripción	Calificación
Presentación oral	B1 B5 B15 B14 B6 C7 C9 C11	La presentación oral del trabajo/trabajos teóricos, la versión escrita de los mismos y la participación activa en las presentaciones de los compañeros tienen un peso importante en la nota final de la asignatura. Se establece una calificación mínima de 15 en esta parte para poder aprobar la asignatura.	25
Trabajos tutelados	B2 B3 B4 B13 C1 C3	Se propondrán varios trabajos prácticos a lo largo del curso centrados en la resolución de problemas de ingeniería mediante técnicas de aprendizaje automático. Estos trabajos serán desarrollados de forma autónoma por parte del alumno fuera de las clases y que deberán ser defendidos delante de los profesores. Se establece una calificación mínima de 30 en esta parte para poder aprobar la asignatura.	60
Análisis de fuentes documentales	B3 B5 B14 B6 C11	Se utilizará parte de las sesiones magistrales para hacer una evaluación de la comprensión de las fuentes documentales, que serán proporcionadas los por los docentes previamente a la clase para su consulta y comprensión. Estas evaluaciones se realizarán mediante trabajos en grupo, pequeños informes, cuestionarios, u otras metodologías que permitan conocer de manera objetiva el grado de análisis realizado.	15

Observaciones evaluación
Para obtener el aprobado en esta materia se deberá superar una valoración mínima de 50 sumando todas las metodologías anteriores, siendo necesario conseguir un mínimo de 30 en los Trabajos Tutelados y de 25 en la suma de la Presentación Oral y el Análisis de fuentes documentales. En caso de que el alumno no supere la materia en la primera convocatoria, deberá repetir las actividades que sean necesarias de la/de las metodogía/ s que no fueron superadas en la segunda convocatoria. Como ejemplo, si un alumno aprobó la parte de la Presentación oral + Análisis de fuentes documentales, pero suspendió los Trabajos tutelados, deberá repetir los trabajos prácticos necesarios para alcanzar el aprobado, normalmente aquel/aquellos que individualmente no fueron aprobados. Evaluación de la convocatoria extraordinaria: los alumnos que opten por esta convocatoria deberán realizar las metodologías de trabajos tutelados y presentación oral, pero no el Análisis de fuentes documentales. El valor de esta metodología se suma en la de Presentación Oral, pasando a valer un 40%. Y necesario que se pongan en contacto con los profesores al comienzo del cuatrimestre (Enero) para tener uno plazo suficiente de entrega. Los alumnos con matrícula a tiempo parcial podrán acumular el 15% de la nota correspondiente al Análisis de fuentes documentales en la presentación oral en todas las convocatorias. Esta modificación deberá solicitarse a los profesores de la materia al inicio del cuatrimestre. Asimismo, en caso de no poder realizar la presentación oral con el resto del alumnado, deberán concretar una fecha alternativa con los profesores en todas las convocatorias. En el caso de plagio en prácticas o trabajos docentes entregados, si tendrá en cuenta el artículo 11, apartado 4 b), del Reglamento disciplinar del estudiante de la UDC: b) Calificación de suspenso en la convocatoria en que se cometa la falta y respecto de la materia en que se cometiera: lo/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 fuera necesario.

Básica	Gonzalo Pajares Martínez, Jose Manuel de la Cruz García (2010). Aprendizaje automático : un enfoque práctico. Ra-Ma Ethem Alpaydin (2014). Introduction to Machine Learning. MIT Press Marsland, Stephen (2014). Machine Learning: An Algorithmic Perspective. Chapman and Hall/CRC Press Christopher M. Bishop (2010). Pattern Recognition and Machine Learning. Springer
	A Whirlwind Tour of Python by Jake VanderPlas (O’Reilly): Libro en HTML Código fuente de los ejercicios
Complementária	Aurelien Geron (2017). Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media Andreas C. Müller, Sarah Guido (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists. O'Reilly Media Kevin P. Murphy (2010). Machine Learning, a probabilistic perspective. MIT Press Sebastian Raschka, Vahid Mirjalili (2019). Python machine learning : aprendizaje automático y aprendizaje profundo con Python, scikit-learn y TensorFlow. Marcombo