Competencias / Resultados do título |
Código
|
Competencias / Resultados do título
|
A24 |
CE24 - Comprensión e dominio dás principais técnicas básicas e avanzadas de aprendizaxe automática, incluíndo as dedicadas ao tratamento de grandes volumes de datos. |
A25 |
CE25 - Capacidade para identificar a adecuación de cada unha das técnicas de aprendizaxe automática á resolución dun problema, incluíndo os aspectos relacionados coa súa complexidade computacional ou a súa capacidade explicativa, de acordo aos requisitos establecidos. |
A26 |
CE26 - Coñecemento das ferramentas informáticas actuais no campo da aprendizaxe automática, e capacidade para seleccionar a máis adecuada para a resolución dun problema. |
B2 |
CB2 - Que os estudantes saiban aplicar os seus coñecementos ao seu traballo ou vocación dunha forma profesional e posúan as competencias que adoitan demostrarse por medio da elaboración e defensa de argumentos e a resolución de problemas dentro da súa área de estudo |
B3 |
CB3 - Que os estudantes teñan a capacidade de reunir e interpretar datos relevantes (normalmente dentro da súa área de estudo) para emitir xuízos que inclúan unha reflexión sobre temas relevantes de índole social, científica ou ética |
B4 |
CB4 - Que os estudantes poidan transmitir información, ideas, problemas e solucións a un público tanto especializado como non especializado |
B7 |
CG2 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables. |
B8 |
CG3 - Ser capaz de manter e estender formulacións teóricas fundadas para permitir a introdución e explotación de tecnoloxías novas e avanzadas no campo. |
B9 |
CG4 - Capacidade para abordar con éxito todas as etapas dun proxecto de datos: exploración previa dos datos, preprocesado, análise, visualización e comunicación de resultados. |
B10 |
CG5 - Ser capaz de traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións. |
C1 |
CT1 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida. |
C4 |
CT4 - Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade. |
Resultados de aprendizaxe |
Resultados de aprendizaxe |
Competencias / Resultados do título |
Coñecer e saber aplicar técnicas avanzadas de preprocesado de datos, incluindo as de redución da dimensión ou de tratamiento de valores ausentes |
A24
|
B3 B8 B9
|
C4
|
Coñecer as técnicas máis representativas de aprendizaxe para os problemas clásicos de clasificación, regresión e agrupación, e outros menos clásicos como problemas de ordenación, problemas de unha clase ou multitarea |
A24
|
B3 B8 B9
|
C4
|
Coñecer as técnicas máis representativas e actuais de aprendizaxe non supervisado, semisupervisado e supervisado, con e sen reforzo |
A24
|
B3 B8 B9
|
C4
|
Identificar as técnicas apropiadas de análise de datos segundo o problema |
A25
|
B2 B3 B4 B7 B8 B10
|
C1
|
Manexar as ferramentas e contornas de traballo máis actuais no ámbito da aprendizaxe automática |
A26
|
|
C1
|
Contidos |
Temas |
Subtemas |
1. Técnicas avanzadas de preprocesamento de datos |
1.1. Tratamento de datos sesgados e ausentes
1.2. Métodos de redución da dimensión. |
2. Modelos combinados (Ensemble) |
2.1. Métodos de combinación de modelos: Voting, Bagging, Boosting...
2.2. Bosques Aleatorios |
3. Aprendizaxe por reforzo |
3.1. Baseada en modelos
3.2. Baseada en diferenzas temporais |
4. Aprendizaxe semisupervisada |
4.1. Modelos xenerativos
4.2. Modelos baseados en grafo |
5. Métodos de clasificación dunha clase |
5.1. Baseados en densidade
5.2. Baseados en reconstrución
5.3. Discriminativos |
6. Outras aproximacións |
6.1. Algoritmos de ranking
6.2. Cuantificación
6.3. Aprendizaxe multitarefa |
Planificación |
Metodoloxías / probas |
Competencias / Resultados |
Horas lectivas (presenciais e virtuais) |
Horas traballo autónomo |
Horas totais |
Sesión maxistral |
A24 A25 B2 B3 B4 B8 C1 C4 |
21 |
21 |
42 |
Aprendizaxe colaborativa |
A24 A25 B2 B3 B4 B7 B8 B10 C1 C4 |
0 |
21 |
21 |
Traballos tutelados |
A24 A25 A26 B2 B3 B4 B7 B9 B10 C1 |
3 |
24 |
27 |
Prácticas a través de TIC |
A24 A25 A26 B2 B3 B4 B7 B9 B10 C1 |
18 |
18 |
36 |
Proba obxectiva |
A24 A25 B2 B3 B4 B7 B8 B9 C1 C4 |
2 |
20 |
22 |
|
Atención personalizada |
|
2 |
0 |
2 |
|
*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 |
Aprendizaxe colaborativa |
Elaboración durante as horas de ensino non presenciais de traballos individuais e/ou en grupo para profundizar nos conceptos vistos nas sesións maxistrais. Empregaranse técnicas de gamificación. |
Traballos tutelados |
Elaboración, coa supervisión do profesor, dun proxecto no que se apliquen as técnicas aprendidas na asignatura para desenvolver un proxecto de análise de datos con aprendizaxe automática |
Prácticas a través de TIC |
Sesións de carácter práctica dirixidas polo profesorado nas que se resolven problemas de xeito guiado |
Proba obxectiva |
Proba de avaliación escrita na que o alumno deberá demostrar os coñecementos adquiridos na asignatura |
Atención personalizada |
Metodoloxías
|
Traballos tutelados |
Prácticas a través de TIC |
|
Descrición |
Realización do traballo práctico co asesoramiento do profesor. Redacción de documentos de compendio dos resultados na forma de memorias ou artígos, así como a presentación dos resultados có profesor ou en sesións públicas dentro da clase.
|
|
Avaliación |
Metodoloxías
|
Competencias / Resultados |
Descrición
|
Cualificación
|
Proba obxectiva |
A24 A25 B2 B3 B4 B7 B8 B9 C1 C4 |
Preguntas sobre os contidos da asignatura (que poden ser de tipo test ou problemas para resolver), baseada nas distintas técnicas avanzadas de aprendizaxe automática e as súas aplicacións. |
40 |
Aprendizaxe colaborativa |
A24 A25 B2 B3 B4 B7 B8 B10 C1 C4 |
Traballos en grupo e individuais que poderán facer nas horas de ensino non presencial para profundizar nos contidos da materia |
10 |
Traballos tutelados |
A24 A25 A26 B2 B3 B4 B7 B9 B10 C1 |
Os alumnos deberán desenvolver proxectos de análise de datos sobre problema reais aplicando as técnicas de aprendizaxe automática aprendidas na asignatura. |
50 |
|
Observacións avaliación |
Para superar a materia, o alumno deberá obter unha calificación mínima de 5 sobre 10 no resultado de combinar as calificacións da proba obxectiva, da aprendizaxe colaborativa, e dos traballos tutelados. Ademáis, o alumno deberá obter unha nota mínima de 4 sobre 10 puntos na proba obxectiva. Se non obtén esta nota mínima, a nota da materia será a correspondente á nota da proba obxectiva. Segunda oportunidade e convocatorias posteriores Na segunda oportunidade, mantense a nota obtida nos traballos tutelados. Aqueles/as estudantes que teñan que incorrer a esta oportunidade deberán realizar a proba obxectiva cos mesmos criterios de avaliación que na primeira oportunidade. Opcionalmente, con respecto aos traballos tutelados, habilitarase unha avaliación adicional para eles. A cualificación desta avaliación substituirá a nota dos traballos tutelados da primeira oportunidade. Presentarse á dita avaliación implica a perda da cualificación anterior independentemente de que esta fora superior. No caso de suspender a asignatura, os traballos tutelados con nota igual ou superior a 5 gardaranse para o curso posterior con calificación de aprobado (5). En cada curso, o alumno terá a opción de entregar unha nova práctica que sustituiría a nota da anterior. Os traballos non se gardarán máis de un curso. Todos os aspectos relacionados con “dispensa académica”, “dedicación ao estudo”, “permanencia” e “fraude académica” rexeranse de acordo coa normativa académica vixente da UDC. Titorías A maiores, as titorias considéranse unha parte importante dentro do desenvolvemento da asignatura. Están orientadas de tal maneira que os/as estudantes teñan e/ou poidan consultar distintas cuestións como: 1. Posibilidades de desenvolvemento profesional 2. Problemas no desenvolvemento das prácticas 3. Maneiras de enfocar/organizar as prácticas 4. Resolución de dubidas sobre as cuestións teóricas Debido a configuración baseada na non presencialidade das mesmas por parte dos centros, pedirase ós/ás estudantes que soliciten cita ós profesores responsables para realizar videochamadas por Teams dentro dos horarios de titorías do profesorado establecidos en espazos.udc.es.
|
Fontes de información |
Bibliografía básica
|
Kuncheva L.I. (2014). Combining pattern classifiers: methods and algorithms. John Wiley & Sons
Guyon, I., Gunn, S., Nikravesh, M., & Zadeh, L. A. (Eds.) (2008). Feature extraction: foundations and applications. Springer
Tax, D. (2001). One-class classification: Concept-learning in the absence of counter-examples (Ph.D. thesis). The Netherlands: University of Delft (http://homepage.tudelft.nl/n9d04/thesis.pdf)
Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction.. MIT Press
Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised learning. MIT Press |
|
Bibliografía complementaria
|
|
|
Recomendacións |
Materias que se recomenda ter cursado previamente |
Aprendizaxe Automática I/614G02019 | Deseño e Análise de Algoritmos/614G02011 | Modelización Estatística de Datos de Alta Dimensión/614G02013 | Fundamentos de Programación II/614G02009 | Fundamentos de Programación I/614G02004 | Inferencia Estatística/614G02007 |
|
Materias que se recomenda cursar simultaneamente |
Análise Estatística de Datos con Dependencia/614G02022 |
|
Materias que continúan o temario |
Aprendizaxe Automática a Gran Escala/614G02032 | Métodos Numéricos para Ciencia de Datos/614G02033 | Procesamento de Imaxe, Vídeo e Audio/614G02028 |
|
|