| Competencias / Resultados del título |
| Código | Competencias / Resultados del título |
| Resultados de aprendizaje | |||
| Resultados de aprendizaje | Competencias / Resultados del título | ||
| Conocer y comprender los paradigmas y aspectos más relevantes del tratamiento de datos en bioinformática | |||
| Conocer y comprender los paradigmas y aspectos más relevantes del tratamiento de datos en bioinformática | |||
| Conocer los principales métodos de aprendizaje a partir de datos, saber qué tipos principales existen y saber cómo aplicarlos. | |||
| Conocer los principales métodos de aprendizaje a partir de datos, saber qué tipos principales existen y saber cómo aplicarlos. | |||
| Conocer los métodos de reducción de dimensionalidad | |||
| Conocer los métodos de reducción de dimensionalidad | |||
| Saber cómo debe evaluarse un modelo basado en datos | |||
| Saber cómo debe evaluarse un modelo basado en datos | |||
| Conocer las plataformas y las herramientas disponibles en el campo de la Inteligencia Computacional. | |||
| Conocer las plataformas y las herramientas disponibles en el campo de la Inteligencia Computacional. | |||
| Contenidos |
| Tema | Subtema |
| TEMA 1: Introducción al aprendizaje | 1.1. Areas de aplicación y tipos de problemas 1.2. Características de los sistemas de aprendizaje 1.3. Perspectiva general de las distintas aproximaciones 1.4. Tipos de aprendizaje: supervisado, semisupervisado (aprendizaje por refuerzos), no supervisado |
| TEMA 2: Teoría del aprendizaje computacional | 2.1. El problema de la precisión. 2.2. La dimensión Vapnik-Chervonenkis 2.3. La maldición de la dimensionalidad |
| TEMA 3: Aprendizaje estadístico | 3.1. El discriminante lineal de Fisher 3.2. Otros tipos de discriminantes |
| TEMA 4: Aprendizaje basado en árboles y reglas de decisión | 4.1. Objetivo de la IA simbólica 4.2. Generalidades de los algoritmos de aprendizaje en IA simbólica 4.3. Listas de decisión 4.4. Inducción de reglas 4.5. Árboles de decisión 4.6. Medidas de rendimiento: entropía e información mutua |
| TEMA 5: Aprendizaje basado en kernels | 5.1. Nomenclatura y definiciones previas 5.2. SVMs lineales 5.3. SVMs no lineales 5.4 SVM Multiclase |
| TEMA 6: Redes de neuronas artificiales | 6.1. Conceptos básicos 6.2. El Perceptrón multicapa 6.3. Otros modelos |
| TEMA 7: Métodos de reducción de la dimensión | 7.1. Extracción de características 7.2. Selección de características |
| TEMA 8: Metodología experimental y análisis de resultados | 8.1. Diseño experimental 8.2. Preprocesado de datos 8.3. Métodos para la estimación del error 8.4. Métodos de selección de modelos |
| Planificación | ||||
| Metodologías / pruebas | Competencias / Resultados | Horas lectivas (presenciales y virtuales) | Horas trabajo autónomo | Horas totales |
| Sesión magistral | 14 | 21 | 35 | |
| Trabajos tutelados | 0 | 39 | 39 | |
| Prácticas de laboratorio | 29 | 27 | 56 | |
| Presentación oral | 3 | 11 | 14 | |
| Atención personalizada | 6 | 0 | 6 | |
| (*)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 oral de los contenidos que conforman el marco teórico de la materia, complementada con el uso de medios audiovisuales y la introducción de algunas preguntas dirigidas al alumnado, con el objetivo de transmitir conocimiento así como de estimular su razonamiento crítico. |
| Trabajos tutelados | Se realizarán varios trabajos relacionados con los bloques principales de la materia: técnicas de aprendizaje básicas, técnicas avanzadas y técnicas de selección y extracción de características. Consistirán en actividades de carácter práctico a través de las cuales se plantean situaciones que requieren al alumnado identificar el problema objeto de estudio, formularlo con precisión, desarrollar los procedimientos pertinentes, aplicar las técnicas vistas en clase, interpretar los resultados y sacar las conclusiones oportunas del trabajo realizado. Incluye sesiones periódicas con el profesorado para el seguimiento. |
| Prácticas de laboratorio | Actividad que permitirá al alumnado familiarizarse con las herramientas, plataformas y conjuntos de datos más comunes en el ámbito del aprendizaje computacional en bioinformática. El objetivo es que apliquen y asimilen efectivamente los contenidos teóricos a través de la realización de actividades de carácter práctico, tales como ejercicios, experimentos, simulaciones e investigaciones. |
| Presentación oral | Al finalizar las prácticas y trabajos tutelados, puede ser necesario que el alumnado prepare una sencilla presentación con los principales resultados, conclusiones y aportaciones y exponer el trabajo realizado en el aula. |
| Atención personalizada |
|
|
| Evaluación | |||
| Metodologías | Competencias / Resultados | Descripción | Calificación |
| Prácticas de laboratorio | Prácticas en grupo de realización OBRIGATORIA que abordarán cada uno de los temas de la asignatura. Son OB¡LIGATORIAS para poder aprobar e influyen en la calificación final del trabajo tutelado, pero no se puntúan al margen de este. |
0 | |
| Trabajos tutelados | Trabajo en grupo de realización OBLIGATORIA que abordará cada uno de los temas de la asignatura. Se realizará en diversas fases a lo largo del curso y supone una evaluación completa y contínua sobre todos los aspectos teóricos y prácticos de la asignatura. Incluye también un seguimiento de participación activa por parte del alumnado. Alguno de los trabajos podría plantearse como de realización voluntaria. Las condiciones y contenido concreto se detallarán durante el curso. Dada la relación directa del contenido de las prácticas la nota de este apartado incluye la evaluación de las mismas. No se podrá aprobar la asignatura si se obtiene una puntuación inferior a 5 en este apartado. |
100 | |
| Presentación oral | Se pueden establecer sesiones de presentación y discusión de los detalles del proyecto de investigación, los resultados obtenidos y las conclusiones extraídas. En tal caso, la realización de la presentación es OBLIGATORIA para poder aprobar e influye en la calificación final del trabajo tutelado, pero no se puntúa al margen de éste. | 0 | |
| Observaciones evaluación | |||
|
OTRAS NORMAS DE EVALUACIÓN DE LA ASIGNATURA La asistencia regular a las clases de prácticas, la entrega de las mismas y Sobre la responsabilidad compartida de los trabajos en grupo En las actividades que se llevan a cabo en grupo, tales como las prácticas, * Normativa de evaluación, revisión y reclamación de las calificaciones de los estudios de grado y máster universitario, aprobada por el Consello de Goberno da No presentado El alumnado se considera presentado en una convocatoria si realiza la entrega Evaluación en la segunda oportunidad Dado que aprobar la materia se centra en superar los trabajos tutelados, En cuanto a los criterios de evaluación, la segunda oportunidad estará Evaluación en el caso de la convocatoria adelantada En caso de que el alumnado solicite y asista a la convocatoria adelantada, el 100% de su calificación corresponderá a los trabajos tutelados. La entrega se realizará como fecha límite dos días antes del examen oficial de la convocatoria adelantada. En caso de que se solicite una presentación o defensa de los trabajos, tendrá lugar el día oficial del examen. Matrícula a tiempo parcial En caso de matrícula a tiempo parcial se elimina la obligatoriedad de |
|||
| Fuentes de información |
| Básica |
2nd Edition byBerthold R. (Editor), Hand D.J. (Editor) (1999). Intelligent Data Analysis . Springer. https://www.researchgate.net/publication/235945820_Intelligent_Data_Analysis_An_Introducti
Alpaydin, E. (2004). Introduction to Machine Learning. The MIT Press
Nilsson, N. J. (1996). Introduction to Machine Learning. Draft of Incomplete Notes. http://robotics.stanford.edu/people/nilsson/mlbook.html
Mitchell, T. (1997). Machine Learning. WCB/McGraw-Hill
Michie, D., Spiegelhalter, D. J., Taylor, C. C., (editores) (1994). Machine Learning: Neural and statistical classification. Ellis Horwood. https://www.researchgate.net/publication/2335004_Machine_Learning_Neural_and_Statisti
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 | |
|
* En el caso de discrepancia en la información proporcionada por las
guías docentes en gallego y castellano, prevalece el documento
correspondiente al idioma institucional (gallego). RECOMENDACIONES
EN IGUALDAD DE GÉNERO Y DIVERSIDAD - Según recogen las
distintas normativas de aplicación para la docencia universitaria se
debe incorporar la perspectiva de género en la materia, por lo que los
trabajos entregados por el alumnado y el material preparado por el
profesorado debe usar lenguaje no sexista. - Se fomentarán valores de respeto e igualdad, evitando de este modo prejuicios y actitudes sexistas y discriminatorias. -
Se facilitará la integración del alumnado que por razones físicas,
sensoriales, psíquicas o socioculturales, experimenten dificultades a un
acceso adecuado, igualitario y provechoso de la vida universitaria. RECOMENDACIONES EN SOSTENIBILIDAD Y MEDIO AMBIENTE - Se debe hacer un uso sostenible de los recursos y destacar la prevención de los impactos negativos sobre el medio natural. - Se debe tener en cuenta la importancia de los principios éticos
relacionados con los valores de sostenibilidad en los comportamientos
personales y profesionales. |