Para superar a materia, deberase obter unha calificación mínima de 5 sobre 10 no resultado de combinar as calificaciòns da proba obxectiva, as prácticas de laboratorio e os traballos tutelados. Ademáis, deberase obter unha nota mínima de 4.5 puntos sobre 10 (2.25 puntos sobre 5) na proba obxectiva. Se non obtén esta nota mínima, a nota da materia será a correspondente á nota da proba obxectiva.

Na segunda oportunidade, mantense a nota obtida nas prácticas de laboratorio, e traballos tutelados, non podendo volver a obter nota xa que resulta da evaluación continua do traballo durante os créditos de práctica da materia. Poderase voltar a facer o exame da proba obxectiva, sendo os criterios para obter a nota total os indicados ó principio deste apartado.

Aqueles estudantes con matrícula a tempo parcial deberán entregar os traballos en data al igual que os de a tiempo completo, e asistir a os TGR nos que se correxirán os mesmos. De igual manera, é recomendable a súa asistencia ás clases de prácticas.

O/A estudante recibirá a cualificación de "non presentado" cando non realice o exame final.

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

Resultados de aprendizaxe	Competencias / Resultados do título
Coñecer as distintas técnicas de aprendizaxe máquina e aplicalas correctamente.	A45	B1 B9	C2 C6 C7 C8
Ser capaz de combinar os resultados de distintas técnicas.	A45	B1 B9
Ser capaz de comparar correctamente os resultados obtidos con distintas técnicas.	A45	B1	C2
Aprender e aplicar a metodoloxía de uso de estas técnicas na resolución de problemas reales.	A45	B1 B9	C2 C6 C7 C8

Temas	Subtemas
Introducción	Introducción ao Aprendizaxe automático Paradigmas de aprendizaje Aprendizaxe Inductivo Teoremas No free Lunch
Aprendizaxe supervisado	Introducción Regresión Loxística Máquinas de Vectores de Soporte Árbores de Decisión Aprendizaxe baseado en Instancias Modelos de AA para Regresión Aprendizaxe Bayesiano Redes de Neuronas Artificiais Evaluación Metaclasificadores
Deep Learning	Introducción Redes convolucionales Modelos avanzados
Aprendizaxe non supervisado	Introdución Clustering Redución da dimensionalidade Asociación de Regras Detección de anomalías Redes neuronais non supervisadas
Aprendizaxe por reforzo	Introdución Teoría do Reforzo Algoritmos de aprendizaxe de reforzo Aplicacións do aprendizaxe de reforzo

Metodoloxías / probas	Competencias / Resultados	Horas lectivas (presenciais e virtuais)	Horas traballo autónomo	Horas totais
Sesión maxistral	A45 C7 C8	21	42	63
Prácticas de laboratorio	A45 B1 B9	12	24	36
Traballos tutelados	A45 C2 C6	7	19	26
Proba obxectiva	A45 C7 C8	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	Descrición
Sesión maxistral	Impartición teórica da materia da asignatura
Prácticas de laboratorio	Desenvolvemento de código relacionado co contido da materia
Traballos tutelados	Resolución dun problema do mundo real e redacción da memoria na que se expliquen a resolución deste
Proba obxectiva	Proba de avaliación escrita na que o alumno deberá demostrar os coñecementos adquiridos na asignatura

Metodoloxías	Competencias / Resultados	Descrición	Cualificación
Proba obxectiva	A45 C7 C8	Preguntas de tipo test sobre os contenidos da asignatura, baseada nas distintas técnicas de aprendizaxe computacional e as súas sus aplicacións.	50
Traballos tutelados	A45 C2 C6	Redacción da memoria relativa á resolución do problema real realizado nas prácticas de laboratorio. A redacción da memoria 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.	25
Prácticas de laboratorio	A45 B1 B9	Resolución dun problema 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 deste problema.	25

Observacións avaliación
Para superar a materia, deberase obter unha calificación mínima de 5 sobre 10 no resultado de combinar as calificaciòns da proba obxectiva, as prácticas de laboratorio e os traballos tutelados. Ademáis, deberase obter unha nota mínima de 4.5 puntos sobre 10 (2.25 puntos sobre 5) na proba obxectiva. Se non obtén esta nota mínima, a nota da materia será a correspondente á nota da proba obxectiva. Na segunda oportunidade, mantense a nota obtida nas prácticas de laboratorio, e traballos tutelados, non podendo volver a obter nota xa que resulta da evaluación continua do traballo durante os créditos de práctica da materia. Poderase voltar a facer o exame da proba obxectiva, sendo os criterios para obter a nota total os indicados ó principio deste apartado. Aqueles estudantes con matrícula a tempo parcial deberán entregar os traballos en data al igual que os de a tiempo completo, e asistir a os TGR nos que se correxirán os mesmos. De igual manera, é recomendable a súa asistencia ás clases de prácticas. O/A estudante recibirá a cualificación de "non presentado" cando non realice o exame final. Todos os aspectos relacionados con “dispensa académica”, “dedicación ao estudo”, “permanencia” e “fraude académica” rexeranse de acordo coa normativa académica vixente da UDC.

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

Observacións