Para superar a materia, o/a estudante terá que completar todas as actividades propostas e aprobar os exames correspondentes.

Primeira oportunidade:

Para superar a asignatura, o/a estudante deberá ter entregado e aprobado as actividades propostas (50% da cualificación final) e aprobar o exame final (50% da cualificación).

Exames parciais:

non haberá exames parciais.

Segunda oportunidade:

Mantense a nota obtida nas prácticas durante o curso e tamén o seu peso na nota final. Os/As estudantes que non alcanzaron a nota de corte nas actividades propostas durante a convocatoria anterior, poderán entregar, antes do exame final da segunda oportunidade, actividades semellantes ás non superadas, que serán propostas polos docentes. Unha vez aprobadas ambas partes por separado, o exame será o 50% da nota final e as prácticas o 50% restante.

Dispensa de asistencia:

No caso de dispensa de asistencia, os/as estudantes examinaranse nas mesmas condicións que os alumnos na primeira convocatoria.

Estudantes repetidores:

Os/As estudantes repetidores de anos anteriores examinaranse nas mesmas condicións que os alumnos na primeira convocatoria.

Non presentado:

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

Avaliación das competencias:

En xeral, o desenvolvemento das actividades prácticas, proxectos e casos de uso, así como a preparación dos temas teóricos permitirán ao alumnado traballar as competencias básicas, xerais e transversais da materia. En concreto, a través dos proxectos e casos de uso, valoraranse as competencias CT7, CT9, CG5, CG4, CG2. O desenvolvemento das prácticas, así como a proba final, permitirá avaliar as competencias específicas: CE10, CE11, CE12, CE15.

Igualdade:

- Segundo se recolle nas distintas normativas de aplicación para a docencia universitaria deberase incorporar a perspectiva de xénero nesta materia (usarase linguaxe non sexista, utilizarase bibliografía de autores/as de ambos sexos, propiciarase a intervención en clase de alumnos e alumnas...)

-Traballarase para identificar e modificar prexuízos e actitudes sexistas e influirase na contorna para modificalos e fomentar valores de respecto e igualdade.

-Deberanse detectar situacións de discriminación por razón de xénero e proporanse accións e medidas para corrixilas.

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
Adquirir os coñecementos sobre o funcionamento das principais técnicas de aprendizaxe incremental	AM10 AM11 AM12 AM15	BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9	CM3 CM4 CM7 CM8 CM9
Aplicar técnicas de aprendizaxe incremental para a análise de datos en tempo real en contornas estacionarios e non estacionarios	AM10 AM11 AM12 AM15	BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9	CM3 CM4 CM7 CM8 CM9
Coñecer o principio de funcionamento das principais paradigmas de aprendizaxe con preservación da privacidade	AM10 AM11 AM12 AM15	BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9	CM3 CM4 CM7 CM8 CM9

Temas	Subtemas
1. Teoría	1. Machine Learning Online 2. Concept Drift 3. Federated Learning
2. Práctica	1. Machine Learning Online e Concept Drift 2. Federated Learning

Metodoloxías / probas	Competencias / Resultados	Horas lectivas (presenciais e virtuais)	Horas traballo autónomo	Horas totais
Sesión maxistral	A11 A12 A13 A16 B3 B6 B7 B8 B9 C3 C4 C8	10	10	20
Seminario	A11 A12 A13 A16 B2 B4 B5 C7 C9	4	20	24
Prácticas a través de TIC	A11 A12 A13 A16 B3 B6 B7 B8 C3 C4 C8	7	21	28
Proba mixta	A11 A12 A13 A16 B4 B6 B7	1	0	1

Atención personalizada		2	0	2

*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías	Descrición
Sesión maxistral	Os contidos da materia impartiranse de maneira indistinta entre as clases expositivas as clases interactivas. A realización de todas as actividades propostas é necesaria, do mesmo xeito que a asistencia a todas as clases (expositivas e interactivas) para superar a materia. Clases Expositivas (teoría): consistirán na exposición e explicación dos diferentes apartados do programa da materia, coa axuda de medios electrónicos (presentacións, vídeos, etc.).
Seminario	Estudo de casos: poderanse expor ao alumnado escenarios de traballo, reais ou ficticios, que presenten determinadas problemáticas. O alumnado deberá aplicar os coñecementos teórico-prácticos da materia para buscar unha solución á cuestión ou cuestións expostas. Como norma xeral, o estudo de casos realizarase en grupos. Os distintos grupos de traballo expoñerán e poñerán en común as súas solucións.
Prácticas a través de TIC	Clases interactivas (prácticas): exporanse diferentes problemas prácticos relacionados co contido da materia para que o alumno resolva de forma individual ou en grupos. Aprendizaxe por proxectos: poderase expor ao alumnado proxectos prácticos cuxo alcance requira que se lle dedique un parte importante da dedicación total do alumno á materia. Traballo autónomo: o alcance e obxectivos dos proxectos, casos de uso e/ou problemas prácticos poderán requirir do traballo autónomo por parte de alumnado, aínda que coa tutela do profesorado.
Proba mixta	Unha proba mixta que pode conter preguntas tipo test, preguntas de resposta curta ou preguntas de desenvolvemento. Vai a evaluar l parte teórica de la asignatura e pode conter preguntas sobre o conido dos seminarios ou exercicios práticos

Metodoloxías	Competencias / Resultados	Descrición	Cualificación
Proba mixta	A11 A12 A13 A16 B4 B6 B7	Prob obxetiva que pode ser un modelo mixto con preguntas tipo test e algunhas preguntas de resposta curta ou de desenvolvemento.	50
Prácticas a través de TIC	A11 A12 A13 A16 B3 B6 B7 B8 C3 C4 C8	Esta calificación incluirá a avaliación das leccións práticas e o proxecto desenvolvido.	30
Seminario	A11 A12 A13 A16 B2 B4 B5 C7 C9	Se incluirá a avaliación das lección e traballos realizados nos seminarios	20

Observacións avaliación
Para superar a materia, o/a estudante terá que completar todas as actividades propostas e aprobar os exames correspondentes. Primeira oportunidade: Para superar a asignatura, o/a estudante deberá ter entregado e aprobado as actividades propostas (50% da cualificación final) e aprobar o exame final (50% da cualificación). Exames parciais: non haberá exames parciais. Segunda oportunidade: Mantense a nota obtida nas prácticas durante o curso e tamén o seu peso na nota final. Os/As estudantes que non alcanzaron a nota de corte nas actividades propostas durante a convocatoria anterior, poderán entregar, antes do exame final da segunda oportunidade, actividades semellantes ás non superadas, que serán propostas polos docentes. Unha vez aprobadas ambas partes por separado, o exame será o 50% da nota final e as prácticas o 50% restante. Dispensa de asistencia: No caso de dispensa de asistencia, os/as estudantes examinaranse nas mesmas condicións que os alumnos na primeira convocatoria. Estudantes repetidores: Os/As estudantes repetidores de anos anteriores examinaranse nas mesmas condicións que os alumnos na primeira convocatoria. Non presentado: O/A estudante recibirá a cualificación de "non presentado" cando non realice o exame final. Avaliación das competencias: En xeral, o desenvolvemento das actividades prácticas, proxectos e casos de uso, así como a preparación dos temas teóricos permitirán ao alumnado traballar as competencias básicas, xerais e transversais da materia. En concreto, a través dos proxectos e casos de uso, valoraranse as competencias CT7, CT9, CG5, CG4, CG2. O desenvolvemento das prácticas, así como a proba final, permitirá avaliar as competencias específicas: CE10, CE11, CE12, CE15. Igualdade: - Segundo se recolle nas distintas normativas de aplicación para a docencia universitaria deberase incorporar a perspectiva de xénero nesta materia (usarase linguaxe non sexista, utilizarase bibliografía de autores/as de ambos sexos, propiciarase a intervención en clase de alumnos e alumnas...) -Traballarase para identificar e modificar prexuízos e actitudes sexistas e influirase na contorna para modificalos e fomentar valores de respecto e igualdade. -Deberanse detectar situacións de discriminación por razón de xénero e proporanse accións e medidas para corrixilas. 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	Bahri, M., Bifet, A., Gama, J., Gomes, H. M., & Maniu, S (2021). Data stream analysis: Foundations, major tasks and tools. Wiley nterdisciplinary Reviews: Data Mining and Knowledge Discovery,11(3) Orabona, F. (2019). A modern introduction to online learning.. arXivpreprint arXiv:1912.13213 Gama, J., Žliobaitė, I., Bifet, A., Pechenizkiy, M., & Bouchachia, A. (2014). A survey on concept drift adaptation.. CM computing surveys(CSUR),46(4), 1-37 Li, T., Sahu, A. K., Talwalkar, A., & Smith, V. (2020). Federated learning: Challenges, methods, and future directions.. IEEE signal processing magazine, 37(3), 50-60 Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2019). Federated machine learning: Concept and applications.. ACM Transactions on Intelligent Systems and Technology (TIST), 10(2), 1-19 Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., & Zhang, G. (2018). Learning under concept drift: A review.. IEEE Transactions on Knowledge and DataEngineering,31(12), 2346-2363 Bifet, A., Gavalda, R., Holmes, G., & Pfahringer, B (2018). Machine learning for data streams: with practical examples in MOA. MIT Press Gomes, H. M., Read, J., Bifet, A., Barddal, J. P., & Gama, J. (2019). Machine learning for streaming data: state of the art, challenges, and opportunities.. ACM SIGKDD Explorations Newsletter,21(2), 6-22 Hoi, S. C., Sahoo, D., Lu, J., & Zhao, P. (2021). Online learning: A comprehensive survey. Neurocomputing,459, 249-289.

Bibliografía complementaria	Gama, J., Medas, P., Castillo, G., & Rodrigues, P. (2004). Learning with drift detection. InBrazilian symposium on artificialintelligence(pp. 286-295). Springer, Berlin, Heidelberg. AbdulRahman, S., Tout, H., Ould-Slimane, H., Mourad, A., Talhi, C., & Guizani, M. (2020). A survey on federated learning: The journey fromcentralized to distributed on-site learning and beyond.. IEEE Internet of Things Journal, 8(7), 5476-5497 Bifet, A., & Gavalda, R. (2009). Adaptive learning from evolving data streams.. InAdvances in Intelligent Data Analysis VIII McMahan, B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. In Artificial intelligence and statistics (pp. 1273-1282). Rahman, K. J., Ahmed, F., Akhter, N., Hasan, M., Amin, R., Aziz, K. E., ... & Islam, A. N. (2021). hallenges, applications and design aspects of federated learning: A survey.. IEEE Access,9, 124682-124700. Bifet, A., Gavalda, R. (2007). Learning from time-changing data with adaptive windowing. Proceedings of the 2007 SIAM international conference ondata mining, pp. 443-448. Society for Indust Gama, J., & Castillo, G. (2006). Learning with local drift detection.. Advanced Data Mining and Applications: Second International Conference,ADMA 2006, Xi’an, China, Augu Gomes, H. M., Montiel, J., Mastelini, S. M., Pfahringer, B., & Bifet, A. (2020). On ensemble techniques for data stream regression. In 2020International Joint Conference on Neural Networks (IJCNN) (pp. 1-8) Ghesmoune, M., Lebbah, M., & Azzag, H (2016). State-of-the-art on clustering data streams.. Big Data Analytics, 1, 1-27 (). ttps://federated.withgoogle.com/.