Datos Identificativos 2024/25
Asignatura (*) Aprendizaxe Automática I Código 614544012
Titulación
Descriptores Ciclo Período Curso Tipo Créditos
Mestrado Oficial 1º cuadrimestre
Primeiro Obrigatoria 6
Idioma
Inglés
Modalidade docente Presencial
Prerrequisitos
Departamento Ciencias da Computación e Tecnoloxías da Información
Coordinación
Fernández Blanco, Enrique
Correo electrónico
enrique.fernandez@udc.es
Profesorado
Fernández Blanco, Enrique
Correo electrónico
enrique.fernandez@udc.es
Web
Descrición xeral

Competencias / Resultados do título
Código Competencias / Resultados do título

Resultados de aprendizaxe
Resultados de aprendizaxe Competencias / Resultados do título
Capacidade para identificar se un problema se pode resolver mediante unha técnica de aprendizaxe automática. AM12
BM2
BM3
BM4
BM8
CM4
CM7
CM8
CM9
Obter a capacidade de escoller a técnica de aprendizaxe máis adecuada para un problema en función da natureza dos datos. AM11
AM15
BM2
BM6
BM7
BM9
CM3
CM8
Capacidade para deseñar e desenvolver un modelo de aprendizaxe nun entorno de programación real. AM10
AM15
BM5
BM6
BM7
BM8
BM9
CM3
CM7
CM9
Dominar os diferentes modelos de aprendizaxe e ser capaz de aplicalos a problemas do mundo real. AM11
AM15
BM2
BM3
BM7
CM3
CM8
Coñecer e comprender a diferenza entre problemas de clasificación e regresión. AM10
AM11
BM3
BM6
BM8
Comprender como comparar os resultados de diferentes tipos de aprendizaxe automática. AM10
AM12
AM15
BM7
BM9
CM4
CM8
CM9

Contidos
Temas Subtemas
Aprendizaje supervisado Introducción ao Aprendizaxe
Redes de Neuronas Artificiais
Máquinas de Soporte Vectorial
Árbores de decisión
Regresión
Aprendizaxe baseado en instancias
Combinación de modelos Técnicas básicas e avanzadas de combinación de modelos.
Preprocesado, avaliación e regularización Preprocesado de datos.
Creación e evaluación de modelos.
Complexidade e regularización.
Aprendizaje no supervisado Aprendizaxe non supervisado: agrupación
Redes de neuronas non supervisadas
Aprendizaje por refuerzo Procesos de Decisión de Markov
Aprendizaxe por Reforzo

Planificación
Metodoloxías / probas Competencias / Resultados Horas lectivas (presenciais e virtuais) Horas traballo autónomo Horas totais
Sesión maxistral A11 A12 C4 C8 C9 21 42 63
Prácticas de laboratorio A13 A16 B2 B3 B5 B6 B7 C3 C7 12 24 36
Traballos tutelados B2 B3 B4 B5 B8 B9 C4 C8 C9 7 19 26
Proba obxectiva A11 A12 B3 B8 C4 C8 C9 2 20 22
 
Atención personalizada 3 0 3
 
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías
Metodoloxías Descrición
Sesión maxistral Impartición teórica da materia da asignatura
Prácticas de laboratorio Resolver problemas prácticos mediante o uso das distintas técnicas que se explicarán nas clases de teoría
Traballos tutelados Redacción, baixo a tutela do profesor, das memorias nas que se expliquen as resolucións dos problemas realizados nas prácticas de laboratorio
Proba obxectiva Proba de avaliación escrita na que o alumno deberá demostrar os coñecementos adquiridos na asignatura

Atención personalizada
Metodoloxías
Prácticas de laboratorio
Traballos tutelados
Descrición
Realización do traballo práctico co asesoramiento do profesor.
Redacción das memorias explicativas baixo a tutela do profesor.

Avaliación
Metodoloxías Competencias / Resultados Descrición Cualificación
Prácticas de laboratorio A13 A16 B2 B3 B5 B6 B7 C3 C7 Resolución de problemas do mundo real utilizando a metodoloxía, para o cal se utilizarán varias técnicas explicadas en teoría, e estimularase ao alumno a xerar novas ideas para a resolución destes problemas. 20
Proba obxectiva A11 A12 B3 B8 C4 C8 C9 Preguntas tipo test sobre os contenidos teóricos da asignatura. 50
Traballos tutelados B2 B3 B4 B5 B8 B9 C4 C8 C9 Redacción das memorias relativas á resolución dos problemas reais realizados nas prácticas de laboratorio. A redacción das memorias incluirá a realización dunha revisión bibliográfica dos traballos máis importantes relacionados, escritos na súa inmensa maioría en inglés, documentación sobre o problema a resolver, metodoloxía utilizada, e comparación dos resultados atopados na aplicación das distintas técnicas, así como unha valoración crítica tanto dos resultados obtidos como da información utilizada. 30
 
Observacións avaliación

Deberase acadar polo menos o 40% da nota máxima de cada parte (teoría, práctica) e, en todo caso, a suma de ambas partes deberá superar un 5 para superar a materia. De non cumprirse algún dos requisitos anteriores, a cualificación da convocatoria establecerase en función da nota máis baixa obtida.

Segunda Oportunidade

Na segunda oportunidade a avaliación realizarase cos mesmos criterios, e abrirase un novo prazo para entregar dous traballos prácticos.

As entregas das prácticas deberán realizarse no prazo establecido no campus virtual e deberán seguir as especificacións sinaladas no escrito tanto para a súa presentación como para a súa defensa.

Non Presentado

Terá a condición de "Presentado" o alumnado que asista á proba teórica no período oficial de avaliación.

Todos os aspectos relacionados con “dispensa académica” , “dedicación ao estudo” , “permanencia” e “fraude académica” rexeranse de acordo coa normativa académica vixente da universidade.


Fontes de información
Bibliografía básica D. Borrajo, J. González, P. Isasi (2006). Aprendizaje automático. Sanz y Torres
Basilio Sierra Araujo (2006). Aprendizaje automático: conceptos básicos y avanzados. Aspectos prácticos utilizando el software WEKA. Pearson Education
Ethem Alpaydin (2004). Introduction to Machine Learning. MIT Press
David Aha (). Lazy Learning. Kluwer Academics Publishers
T.M. Mitchell (1997). Machine Learning. McGraw Hill
Richard Sutton, Andrew Barto (). Reinforcement Learning. An Introduction. MIT Press
Saso Dzeroski, Nada Lavrac (). Relational Data Mining. Springer
Andrew Webb (2002). Statistical Pattern Recognition. Wiley

Bibliografía complementaria


Recomendacións
Materias que se recomenda ter cursado previamente

Materias que se recomenda cursar simultaneamente

Materias que continúan o temario
Aprendizaxe Profunda/614544013
Aprendizaxe Automática II/614544014
Computación Evolutiva/614544015

Observacións


(*)A Guía docente é o documento onde se visualiza a proposta académica da UDC. Este documento é público e non se pode modificar, salvo casos excepcionais baixo a revisión do órgano competente dacordo coa normativa vixente que establece o proceso de elaboración de guías