Para superar la materia, se deberá obtener una calificación mínima de 5 sobre 10 en el resultado de combinar las calificaciones de la prueba objetiva, las prácticas de laboratorio y los trabajos tutelados. Además, se deberá obtener una nota mínima de 4.5 puntos sobre 10 (2.25 puntos sobre 5) en la prueba objetiva. Si no obtiene esta nota mínima, la nota de la materia será la correspondiente a la nota de la proba objectiva.

En la segunda oportunidad, se mantendrá la nota obtenida en las prácticas de laboratorio y trabajos tutelados, no pudiendo volver a obtener nota ya que resulta de la evaluación continua del trabajo durante los créditos de práctica de la materia. Se podrá volver a hacer el examen de la prueba objetiva, siendo los criterios para obtener la nota total los indicados al principio de este apartado.

Aquellos estudiantes con matrícula a tiempo parcial deberán entregar los trabajos en fecha al igual que los de tiempo completo, y asistir a los TGR en los que se corregirán los mismos. De igual manera, es recomendable su asistencia a las clases de prácticas.

El/La estudiante recibirá a calificación de "no-presentado" cuando no haga el examen final

Todos los aspectos relacionados con “dispensa académica”, “dedicación al estudio”, “permanencia” y “fraude académico” se regirán de acuerdo con la normativa académica vigente de la UDC.

Resultados de aprendizaje	Competencias / Resultados del título
Conocer las distintas técnicas de aprendizaje máquina y aplicarlas correctamente.	A45	B1 B9	C2 C6 C7 C8
Ser capaz de combinar los resultados de distintas técnicas.	A45	B1 B9
Ser capaz de comparar correctamente los resultados obtenidos con distintas técnicas.	A45	B1	C2
Aprender y aplicar la metodología de uso de estas técnicas en la resolución de problemas reales.	A45	B1 B9	C2 C6 C7 C8

Tema	Subtema
Introducción	Introducción al Aprendizaje automático Paradigmas de Aprendizaje Aprendizaje Inductivo Teoremas No Free Lunch
Aprendizaje Supervisado	Introducción Regresión Logística Máquinas de Vectores de Soporte Árboles de Decisión Aprendizaje basado en Instancias Modelos de AA para Regresión Aprendizaje Bayesiano Redes de Neuronas Artificiales Evaluación Metaclasificadores
Deep Learning	Introducción Redes convolucionais Modelos avanzados
Aprendizaje no supervisado	Introducción Clustering Reducción de dimensionalidad Asociación de reglas Detección de anomalías Redes de neuronas no supervisadas
Aprendizaje por refuerzo	Introducción Teoría del refuerzo Algoritmos de aprendizaje por refuerzo Aplicaciones del aprendizaje por refuerzo

Metodologías / pruebas	Competencias / Resultados	Horas lectivas (presenciales y virtuales)	Horas trabajo autónomo	Horas totales
Sesión magistral	A45 C7 C8	21	42	63
Prácticas de laboratorio	A45 B1 B9	12	24	36
Trabajos tutelados	A45 C2 C6	7	19	26
Prueba objetiva	A45 C7 C8	2	20	22

Atención personalizada		3	0	3

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

Metodologías	Descripción
Sesión magistral	Impartición teórica de la materia de la asignatura
Prácticas de laboratorio	Desarrollo de código relacionado con el contenido de la asignatura
Trabajos tutelados	Resolución de un problema del mundo real y redacción de la memoria en la que se expliquen la resolución de este
Prueba objetiva	Prueba de evaluación escrita en la que el alumno deberá demostrar los conocimientos adquiridos de la asignatura

Metodologías	Competencias / Resultados	Descripción	Calificación
Prueba objetiva	A45 C7 C8	Preguntas de tipo test sobre los contenidos de la asignatura, basada en las distintas técnicas de aprendizaje computacional y sus aplicaciones.	50
Trabajos tutelados	A45 C2 C6	Redacción de la memoria relativa a la resolución del problema real realizado en las prácticas de laboratorio. La redacción de la memoria incluirá la realización de una revisión bibliográfica de los trabajos más importantes relacionados, escritos en su inmensa mayoría en inglés, documentación sobre el problema a resolver, metodología utilizada, y comparación de los resultados hallados en la aplicación de las distintas técnicas, así como una valoración crítica tanto de los resultados obtenidos como de la información utilizada.	25
Prácticas de laboratorio	A45 B1 B9	Resolución de un problema del mundo real utilizando la metodología, para lo cual se utilizarán varias técnicas explicadas en teoría, y se estimulará al alumno a generar nuevas ideas para la resolución de este problema.	25

Observaciones evaluación
Para superar la materia, se deberá obtener una calificación mínima de 5 sobre 10 en el resultado de combinar las calificaciones de la prueba objetiva, las prácticas de laboratorio y los trabajos tutelados. Además, se deberá obtener una nota mínima de 4.5 puntos sobre 10 (2.25 puntos sobre 5) en la prueba objetiva. Si no obtiene esta nota mínima, la nota de la materia será la correspondiente a la nota de la proba objectiva. En la segunda oportunidad, se mantendrá la nota obtenida en las prácticas de laboratorio y trabajos tutelados, no pudiendo volver a obtener nota ya que resulta de la evaluación continua del trabajo durante los créditos de práctica de la materia. Se podrá volver a hacer el examen de la prueba objetiva, siendo los criterios para obtener la nota total los indicados al principio de este apartado. Aquellos estudiantes con matrícula a tiempo parcial deberán entregar los trabajos en fecha al igual que los de tiempo completo, y asistir a los TGR en los que se corregirán los mismos. De igual manera, es recomendable su asistencia a las clases de prácticas. El/La estudiante recibirá a calificación de "no-presentado" cuando no haga el examen final Todos los aspectos relacionados con “dispensa académica”, “dedicación al estudio”, “permanencia” y “fraude académico” se regirán de acuerdo con la normativa académica vigente de la UDC.

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

Complementária

Otros comentarios