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.

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

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

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	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

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.

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

Observacións