Para poder aprobar a materia o estudante deberá cumprir os seguintes requisitos (puntuación entre 0 e 10 en todas as actividades):

- Lograr unha nota superior ou igual a 4 na proba mixta final realizada ao final do cuadrimestre.

- Lograr unha nota superior ou igual a 5 ao realizar a suma de todas as probas de avaliación.

Notas sobre as actividades:

- Todas as actividades terán unha única oportunidade para a súa entrega durante o curso académico, salvo a proba obxectiva final que terá dúas oportunidades oficiais de exame.

Os criterios de avaliación da segunda oportunidade serán osmesmos que os da primeira oportunidade.

Avaliación no caso da convocatoria adiantada:

No caso de que o estudante solicite e asista á convocatoria adiantada, o 50% da súa nota será a proba mixta (exame final) e o outro 50% o traballo tutelado. O traballo tutelado deberá entregarse como data límite o mesmo día do exame oficial da convocatoria adiantada. Para aprobar a materia, o alumno debe cumprir os requisitos mencionados anteriormente.

Réxime de dispensa académica:

Tal e como sinala a normativa vixente, o estudantado que teña concedida unha dispensa académica ten dereito a ser eximido da asistencia a clase. En todo caso, serán avaliados polo sistema de avaliación continua indicado nesta guía docente coa mesma ponderación que o resto do estudantado. A realización dos traballos e a avaliación continua poderán realizarse de forma autónoma e entregarse dentro dos prazos establecidos polo profesor.

Fraude académico:

A comisión de fraude académica levará consigo a aplicación das sancións disciplinarias establecidas na normativa académica vixente en la UDC.

Tódolos aspectos relacionados con "dispensa académica", "dedicación ao estudo", "permanencia" e "fraude académica" rexeranse de acordo coa normativa académica vixente da UDC.

Learning outcomes	Study programme competences / results
Extraer, interpretar e procesar información, procedente de diferentes fontes, para o seu emprego no estudo e análise	AR1
Capacidade para aplicar técnicas de análise de datos e técnicas intelixentes en robótica e/ou informática industrial.	AR11
Revisar as técnicas máis representativas para a redución da dimensión.	AR55
Identificar as técnicas máis representativas de aprendizaxe para os problemas clásicos de agrupación e aprendizaxe por reforzo.	AR71
Aplicar correctamente os métodos de aprendizaxe automática non supervisados, por reforzo e de redución da dimensión para obter resultados fiables e significativos.	AR89

Topic	Sub-topic
Os contidos desta materia, incluídos na memoria de verificación da titulación, desenvólvense nos catro temas que se tratan a continuación. Neste primeiro apartado, faise a vinculación do contido da memoria con o tema concreto no que se desenvolve.	Contidos da memoria e temas nos que se desenvolven: - Redución de dimensións. Extracción e selección de características: Tema 1. - Aprendizaxe non supervisada. Métodos de agrupación: Tema 2 e 3. - Aprendizaxe por reforzo e control: Tema 4.
Tema 1: Técnicas de redución da dimensión	- A maldición da dimensión. - Técnicas de selección de características. - Técnicas de extracción de características.
Tema 2: Aprendizaxe sen supervisión (agrupación)	- Introdución á aprendizaxe sen supervisión: análise cluster. - Medidas de semellanza. - Tipos de métodos de agrupación: xerárquico, por particións (k-means) e por densidade (DBSCAN).
Tema 3: Detección de anomalías	- Definición de anomalía. - Aplicacións da detección de anomalías - Tipos de anomalías. - Técnicas: métodos estatísticos, métodos baseados na distancia, métodos baseados en árbores de decisión e métodos baseados en redes de neuronas. - Avaliación de resultados.
Tema 4: Aprendizaxe por reforzo e control.	- Aplicacións de aprendizaxe por reforzo. - Elementos da aprendizaxe por reforzo. - Tipos de aprendizaxe por reforzo. - Procesos de decisión de Markov (MDP). - Dilema exploración-explotación. - Aprender por diferenza de tempo. - Aprendizaxe Q. - Aprendizaxe Q profunda.

Methodologies / tests	Competencies / Results	Teaching hours (in-person & virtual)	Student’s personal work hours	Total hours
Guest lecture / keynote speech	A11 A55 A71 A89	10.5	11	21.5
Laboratory practice	A1 A11 A89	10.5	15	25.5
Supervised projects	A1 A11 A71 A89	0	25	25
Mixed objective/subjective test	A1 A11 A55 A71 A89	2	0	2

Personalized attention		1	0	1

(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students.

Methodologies	Description
Guest lecture / keynote speech	Actividade presencial na aula empregada para establecer os conceptos fundamentais da materia. Consiste na exposición oral complementada co uso de medios audiovisuais/multimedia e a realización dalgunhas preguntas dirixidas aos estudantes, co fin de transmitir coñecementos e facilitar a aprendizaxe.
Laboratory practice	Desenvolvemento de prácticas no laboratorio de informática. Esta actividade consistirá no estudo de casos e exemplos ademais da realización, por parte dos alumnos, dos exercicios expostos polos profesores.
Supervised projects	Realización de traballos/proyectos relacionados con algún dos temas do temario da materia. Os alumnos entregarán, en soporte informático, a memoria do traballo e unha presentación que terá que expor ao profesor. Estes traballos requirirán a asistencia de, polo menos, unha tutoría personalizada para cada grupo.
Mixed objective/subjective test	Proba de avaliación que se realizará ao final de curso nas correspondentes convocatorias oficiais. Consistirá nunha proba na que será necesario responder a diferentes cuestións teórico-prácticas.

Methodologies	Competencies / Results	Description	Qualification
Supervised projects	A1 A11 A71 A89	Desenvolvemento dun proxecto aplicado, individual ou en grupo reducido. Será necesario entregar os materiais (documento e presentación) en tempo e forma seguindo as indicacións do reto plantexado no enunciado. Ademais, requirirá a exposición oral por parte de todos os integrantes do grupo de traballo, empregando para iso a presentación entregada. Terase en conta para a avaliación desta actividade a memoria e a presentación entregada así como as contestacións ás preguntas do profesor durante a presentación obrigatoria. A non realización da presentación suporá unha nota de cero nesta actividade.	50
Mixed objective/subjective test	A1 A11 A55 A71 A89	Proba final da materia que consistirá na realización dun exame individual. Esta proba terá preguntas de tipo teóricas e prácticas relacionadas cos conceptos estudados nas clases maxistrais, nas prácticas de laboratorio ou cos contidos dos traballos/proyectos tutelados.	40
Laboratory practice	A1 A11 A89	Consistirá na recompilación de exercicios realizados nas prácticas de laboratorio durante o curso. Estes exercicios deberán realizarse no tempo asignado ás clases prácticas e entregaranse ao final das mesmas. Durante a realización destes exercicios, o alumno pode expor dúbidas ao profesor ou consultar os materiais que estime oportuno. Por tanto, esta actividade avaliará o traballo diario do alumno nas clases prácticas.	10

Assessment comments
Para poder aprobar a materia o estudante deberá cumprir os seguintes requisitos (puntuación entre 0 e 10 en todas as actividades): - Lograr unha nota superior ou igual a 4 na proba mixta final realizada ao final do cuadrimestre. - Lograr unha nota superior ou igual a 5 ao realizar a suma de todas as probas de avaliación. Notas sobre as actividades: - Todas as actividades terán unha única oportunidade para a súa entrega durante o curso académico, salvo a proba obxectiva final que terá dúas oportunidades oficiais de exame. Os criterios de avaliación da segunda oportunidade serán osmesmos que os da primeira oportunidade. Avaliación no caso da convocatoria adiantada: No caso de que o estudante solicite e asista á convocatoria adiantada, o 50% da súa nota será a proba mixta (exame final) e o outro 50% o traballo tutelado. O traballo tutelado deberá entregarse como data límite o mesmo día do exame oficial da convocatoria adiantada. Para aprobar a materia, o alumno debe cumprir os requisitos mencionados anteriormente. Réxime de dispensa académica: Tal e como sinala a normativa vixente, o estudantado que teña concedida unha dispensa académica ten dereito a ser eximido da asistencia a clase. En todo caso, serán avaliados polo sistema de avaliación continua indicado nesta guía docente coa mesma ponderación que o resto do estudantado. A realización dos traballos e a avaliación continua poderán realizarse de forma autónoma e entregarse dentro dos prazos establecidos polo profesor. Fraude académico: A comisión de fraude académica levará consigo a aplicación das sancións disciplinarias establecidas na normativa académica vixente en la UDC. Tódolos aspectos relacionados con "dispensa académica", "dedicación ao estudo", "permanencia" e "fraude académica" rexeranse de acordo coa normativa académica vixente da UDC.

Basic	Aurélien Géron (2019). Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow (2ª edición). O'Reilly Christopher M. Bishop (2011). Pattern Recognition and Machine Learning. Springer Richard S. Sutton, Andrew G. Barto (2018). Reinforcement Learning: An Introduction (2ª edición). The MIT Press

Complementary	Andreas C. Müller, Sarah Guido (2016). Introduction to Machine Learning with Python. O'Reilly