Competencias / Resultados del título |
Código
|
Competencias / Resultados del título
|
A1 |
Capacidad para utilizar los conceptos y métodos matemáticos y estadísticos para modelizar y resolver problemas de inteligencia artificial. |
A2 |
Capacidad para resolver problemas de inteligencia artificial que precisen algoritmos, aplicando correctamente metodologías de desarrollo software y diseño centrado en usuario/a. |
A12 |
Conocer los fundamentos de los algortimos y modelos de lainteligencia artificial para la resolución de problemas de cierta complejidad, entender su complejidad computacional y tener capacidad para diseñar nuevos modelos. |
A15 |
Conocer y saber aplicar y explicar correctamente las técnicas de validación de las soluciones de inteligencia artificial. |
B3 |
Que el alumnado tenga la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética. |
B5 |
Que el alumnado haya desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía. |
B7 |
Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. |
B9 |
Capacidad para seleccionar y justificar los métodos y técnicas adecuadas para resolver un problema concreto, o para desarrollar y proponer nuevos métodos basados en inteligencia artificial. |
B10 |
Capacidad para concebir nuevos sistemas computacionales y/o evaluar el rendimiento de sistemas existentes, que integren modelos y técnicas de inteligencia artificial. |
C3 |
Capacidad para crear nuevos modelos y soluciones de forma autónoma y creativa, adaptándose a nuevas situaciones. Iniciativa y espíritu emprendedor. |
Resultados de aprendizaje |
Resultados de aprendizaje |
Competencias / Resultados del título |
Conocer, comprender y saber utilizar los fundamentos de los procesos de aprendizaje automático. |
A1 A12
|
B5 B10
|
C3
|
Conocer los fundamentos de los modelos de regresión, clasificación y agrupamiento. |
A2 A12
|
B3 B7 B9
|
|
Saber construir modelos estadísticos avanzados para el análisis de datos. |
A2 A12 A15
|
B7 B9
|
C3
|
Saber fundamentar la modelización y resolución de problemas mediante técnicas de aprendizaje automático. |
A1 A2 A12
|
B5 B7 B9
|
C3
|
Saber construir modelos de aprendizaje automático para regresión, clasificación y agrupamiento. |
A1 A2 A12 A15
|
B5 B7 B9 B10
|
C3
|
Contenidos |
Tema |
Subtema |
Introducción |
Introducción al Aprendizaxe automático
Paradigmas de aprendizaje
Aprendizaje Inductivo
Teoremas No Free Lunch |
Aprendizaje supervisado |
Introducción
Redes de Neuronas Artificiales
Regresión Logística
Máquinas de Vectores de Soporte
Árboles de Decisión
Aprendizaje basado en instancias
Modelos de AA para Regresión |
Metodologías en el análisis de datos |
Metodologías de entrenamiento, evaluación y selección de modelos
Metodologías de un proyecto de análisis de datos
|
Computación Evolutiva |
Algoritmos Genéticos
Programación Genética
Enjambres y otras técnicas de Computación Evolutiva
|
Clustering |
Métodos de clustering |
Planificación |
Metodologías / pruebas |
Competencias / Resultados |
Horas lectivas (presenciales y virtuales) |
Horas trabajo autónomo |
Horas totales |
Sesión magistral |
A12 A15 B5 B9 B10 C3 |
30 |
38 |
68 |
Prácticas de laboratorio |
A1 A2 B3 B7 C3 |
15 |
24 |
39 |
Trabajos tutelados |
A1 A2 A15 B3 B7 B10 |
15 |
24 |
39 |
Prueba objetiva |
A1 A12 B5 B7 B10 |
2 |
0 |
2 |
|
Atención personalizada |
|
2 |
0 |
2 |
|
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
Metodologías |
Descripción |
Sesión magistral |
Impartición teórica de la materia da 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 en la asignatura |
Atención personalizada |
Metodologías
|
Prácticas de laboratorio |
Trabajos tutelados |
|
Descripción |
Realización del trabajo práctico con el asesoramiento del profesor.
Redacción de las memorias explicativas bajo la tutela del profesor.
Tutorías: Las sesiones de tutorías servirán para resolver las dudas del alumnado relacionadas con los contenidos de la asignatura. Estas tutorías serán tanto presenciales como virtuales a través de correo electrónico, campus virtual o plataforma Microsoft Teams.
Campus Virtual: Esta materia dispondrá de un curso virtual a través del que se facilitará al alumnado todo el material necesario en formato digital. Se proporcionará también distintas herramientas de comunicación para el apoyo, tanto de la docencia como de las tutorías, incluyendo videoconferencia, chat, correo electrónico, foros… |
|
Evaluación |
Metodologías
|
Competencias / Resultados |
Descripción
|
Calificación
|
Prácticas de laboratorio |
A1 A2 B3 B7 C3 |
Desarrollo de código relacionado con el contenido de la asignatura. |
25 |
Trabajos tutelados |
A1 A2 A15 B3 B7 B10 |
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. 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 |
Prueba objetiva |
A1 A12 B5 B7 B10 |
Preguntas de tipo test sobre los contenidos de la asignatura. |
50 |
|
Observaciones evaluación |
Para superar la materia, se deberá obtener una calificación mínima de 5 sobre 10 como resultado de combinar las calificaciones de la prueba objetiva, las prácticas de laboratorio y los trabajos tutelados. Ademáis, el 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 prueba objetiva. En la segunda oportunidad, se mantiene 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 da materia. Se puede 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 tempo 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 estudiente 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.
|
Fuentes de información |
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
Marcos Gestal, Daniel Rivero, Juan Ramón Rabuñal, Julián Dorado, Alejandro Pazos (2010). Introducción a los Algoritmos Genéticos y a la Programación Genética. Servicio de Publicaciones de la Universidade da Coruña
Ethem Alpaydin (2004). Introduction to Machine Learning. MIT Press
David Aha (). Lazy Learning. Kluwer Academics Publishers
T.M. Mitchell (1997). Machine Learning. McGraw Hill
Saso Dzeroski, Nada Lavrac (). Relational Data Mining. Springer
Andrew Webb (2002). Statistical Pattern Recognition. Wiley |
|
Complementária
|
|
|
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente |
Programación I/614G03006 | Programación II/614G03007 | Matemática Discreta/614G03003 | Álgebra/614G03001 | Cálculo y Análisis Numérico/614G03002 | Estadística/614G03004 | Algoritmos/614G03008 | Algoritmos Básicos de la Inteligencia Artificial/614G03019 | Representación del Conocimiento y Razonamiento/614G03020 |
|
Asignaturas que se recomienda cursar simultáneamente |
Optimización Matemática/614G03005 |
|
Asignaturas que continúan el temario |
Aprendizaje Profundo/614G03022 | Modelos Avanzados de Aprendizaje Automático II/614G03023 | Modelos Avanzados de Aprendizaje Automático I/614G03021 |
|
|