Competencies / Study results |
Code
|
Study programme competences / results
|
Learning aims |
Learning outcomes |
Study programme competences / results |
Coñecer e comprender os paradigmas e aspectos máis relevantes do tratamento de datos en bioinformática |
|
|
|
Coñecer e comprender os paradigmas e aspectos máis relevantes do tratamento de datos en bioinformática |
|
|
|
Coñecer os principais métodos de aprendizaxe a partir de datos, saber qué tipos principais existen e saber cómo aplicalos. |
|
|
|
Coñecer os principais métodos de aprendizaxe a partir de datos, saber qué tipos principais existen e saber cómo aplicalos. |
|
|
|
Coñecer os métodos de redución da dimensionalidade |
|
|
|
Coñecer os métodos de redución da dimensionalidade |
|
|
|
Saber como debe avaliarse un modelo baseado en datos |
|
|
|
Saber como debe avaliarse un modelo baseado en datos |
|
|
|
Coñecer as plataformas e as ferramentas dispoñibles no campo da Intelixencia Computacional. |
|
|
|
Coñecer as plataformas e as ferramentas dispoñibles no campo da Intelixencia Computacional. |
|
|
|
Contents |
Topic |
Sub-topic |
TEMA 1: Introducción á aprendizaxe |
1.1. Areas de aplicación e tipos de problemas
1.2. Características dos sistemas de aprendizaxe
1.3. Perspectiva xeral das distintas aproximacións
1.4. Tipos de aprendizaxe: supervisada, semisupervisada (aprendizaxe por reforzo), non supervisada |
TEMA 2: Teoría da aprendizaxe computacional |
2.1. O problema da precisión
2.2. A dimensión Vapnik-Chervonenkis
2.3. A maldición da dimensionalidade |
TEMA 3: Aprendizaxe estatística |
3.1. O discriminante lineal de Fisher
3.2. Outros tipos de discriminantes
|
TEMA 4: Aprendizaxe baseada en árboles e reglas de decisión |
4.1. Obxetivo da IA simbólica
4.2. Xeneralidades dos algoritmos de aprendizaxe 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: Aprendizaxe baseada en kernels |
5.1. Nomenclatura e definicións previas
5.2. SVMs lineais
5.3. SVMs non lineais
5.4. SVM Multiclase |
TEMA 6: Redes de neuronas artificiais |
6.1. Conceptos básicos
6.2. O Perceptrón multicapa
6.3. Outros modelos
|
TEMA 7: Métodos de reducción da dimensión |
7.1. Extracción de características
7.2. Selección de características |
TEMA 8: Metodoloxía experimental e análise de resultados |
8.1. Diseño experimental
8.2. Preprocesado de datos
8.3. Métodos para a estimación do error
8.4. Métodos de selección de modelos
8.5. Análisis de sesgos |
Planning |
Methodologies / tests |
Competencies / Results |
Teaching hours (in-person & virtual) |
Student’s personal work hours |
Total hours |
Guest lecture / keynote speech |
|
14 |
21 |
35 |
Supervised projects |
|
0 |
39 |
39 |
Laboratory practice |
|
29 |
27 |
56 |
Oral presentation |
|
3 |
11 |
14 |
|
Personalized attention |
|
6 |
0 |
6 |
|
(*)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 oral dos contidos que conforman o marco teórico da materia, complementada co uso de medios audiovisuais e a introdución dalgunhas preguntas dirixidas ao alumnado, co obxectivo de transmitir coñecemento así como de estimular o razoamento crítico. |
Supervised projects |
Realizaranse varios traballos relacionados cos bloques principais da materia: técnicas de aprendizaxe básicas, técnicas avanzadas e técnicas de selección e extracción de características. Consistirán en actividades de carácter práctico a través das cales se expoñen situacións que requiren ao alumnado identificar o problema obxecto de estudo, formulalo con precisión, desenvolver os procedementos pertinentes, aplicar as técnicas vistas en clase, interpretar os resultados e sacar as conclusións oportunas do traballo realizado. Inclúe sesións periódicas co profesorado para o seguimento. |
Laboratory practice |
Actividade que permitirá ao alumnado familiarizarse coas ferramentas, plataformas e conxuntos de datos máis comúns no ámbito da aprendizaxe computacional na bioinformática. O obxectivo é que apliquen e asimilen efectivamente os contidos teóricos a través da realización de actividades de carácter práctico, tales como exercicios, experimentos, simulacións e investigacións. |
Oral presentation |
Ao finalizar as prácticas e traballos tutelados, pode ser necesario que o alumnado prepare unha sinxela presentación cos principais resultados, conclusións e achegas e expor o traballo realizado na aula. |
Personalized attention |
Methodologies
|
Laboratory practice |
Supervised projects |
|
|
Assessment |
Methodologies
|
Competencies / Results |
Description
|
Qualification
|
Laboratory practice |
|
Prácticas en grupo de realización OBRIGATORIA que abordarán cada un dos temas da materia.
Son OBRIGATORIAS para poder aprobar e inflúen na cualificación final do traballo tutelado, pero non se puntúan á marxe deste. |
0 |
Supervised projects |
|
Traballo en grupo de realización OBRIGATORIA que abordará cada un dos temas da materia. Realizarase en diversas fases ao longo do curso e supón unha avaliación completa e continua sobre todos os aspectos teóricos e prácticos da materia. Inclúe tamén un seguimento de participación activa por parte do alumnado.
Algún dos traballos podería plantexarse como de realización voluntaria e individual.
As condicións e contido concreto detallaranse durante o curso.
Dada a relación direita co contido das prácticas a nota deste apartado inclúe a avaliación das mesmas.
Non se poderá aprobar a materia se se obtén unha puntuación inferior a 5 neste apartado. |
100 |
Oral presentation |
|
Poderanse establecer sesións de presentación e discusión dos detalles dos traballos tutelados (e as prácticas), os resultados obtidos e as conclusións extraídas. Nese caso, É OBRIGATORIA a realización da presentación para poder aprobar e inflúe na cualificación final do traballo tutelado, pero non se puntúa á marxe deste.
|
0 |
|
Assessment comments |
<p><!--[if gte mso 9]> <![endif]--><!--[if gte mso 9]><xml> Normal 0 21 false false false ES X-NONE X-NONE </xml><![endif]--><!--[if gte mso 9]> <![endif]--><!--[if gte mso 10]><style> /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Tabla normal"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:8.0pt; mso-para-margin-left:0cm; line-height:107%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:"Calibri",sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:"Times New Roman"; mso-bidi-theme-font:minor-bidi; mso-fareast-language:EN-US;}</style><p> <strong>RECOMENDACIÓNS EN IGUALDADE DE XÉNERO</strong></p><p>Segundo se recolle nas distintas normativa de aplicación para a docencia universitaria deberase incorporar a perspectiva de xénero nesta materia, polo que os traballo entregados polos/polas estudantes e o material preparado polo profesorado deben usar linguaxe non sexista<strong>.<br /></strong></p> </body> </html> --></p>
|
Sources of information |
Basic
|
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 |
|
Complementary
|
|
|
Recommendations |
Subjects that it is recommended to have taken before |
Introduction to programming/614522001 | Foundations of Artificial Intelligence/614522003 |
|
Subjects that are recommended to be taken simultaneously |
Advanced statistical methods in bioinformatics/614522009 | Probability. statistics and elements of biomathematics/614522007 |
|
Subjects that continue the syllabus |
Computational intelligence for high dimensional data/614522024 |
|
Other comments |
<br /> |
|