Para superar a materia, deberase obter unha calificaciónmínima de 5 sobre 10 no resultado de combinar as calificaciòns da proba obxectiva, as prácticas de laboratorio e os traballos tutelados. Ademáis, deberase obter unha nota mínima de 4.5 puntos sobre 10 (2.25 puntos sobre 5) na proba obxectiva. Senon obtén esta nota mínima, a nota da materia será a correspondente á nota daproba obxectiva.

Na segunda oportunidade, mantense a nota obtida nas prácticas de laboratorio, e traballos tutelados, non podendo volver a obter nota xa que resulta da evaluación continua do traballo durante os créditos de práctica da materia. Poderase voltar a facer o exame da proba obxectiva, sendo os criterios para obter a nota total os indicados ó principio deste apartado.

Aqueles estudantes con matrícula a tempo parcial deberán entregar os traballos en data igual que os de tiempo completo, e asistir a os TGR nos que se correxirán os mesmos. De igual manera, é recomendable a súa asistencia ás clases deprácticas.

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

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
Coñecer, comprender e saber utilizar os fundamentos dos procesos de aprendizaxe automática.	A1 A12	B5 B10	C3
Coñecer os fundamentos dos modelos de regresión, clasificación e agrupamento.	A2 A12	B3 B7 B9
Saber construír modelos estatísticos avanzados para a análise de datos.	A2 A12 A15	B7 B9	C3
Saber como basear o modelado e a resolución de problemas utilizando técnicas de aprendizaxe automática.	A1 A2 A12	B5 B7 B9	C3
Saber construír modelos de aprendizaxe automática para regresión, clasificación e agrupamento.	A1 A2 A12 A15	B5 B7 B9 B10	C3

Temas	Subtemas
Introducción	Introducción ao Aprendizaxe automático Paradigmas de aprendizaxe Aprendizaxe Inductivo Teoremas No Free Lunch
Aprendizaxe supervisado	Introdución Redes de Neuronas Artificiais Regresión Loxística Máquinas de Vectores de Soporte Árbores de Decisión Aprendizaxe baseada en instancias Modelos de AA para Regresión
Metodoloxías no análise de datos	Metodoloxías de adestramento, avaliación e selección de modelos Metodoloxías dun proxecto de análise de datos
Computación Evolutiva	Algoritmos Xenéticos Programación Xenética Enxames e outras técnicas de Computación Evolutiva
Clustering	Métodos de clustering

Metodoloxías / probas	Competencias / Resultados	Horas lectivas (presenciais e virtuais)	Horas traballo autónomo	Horas totais
Sesión maxistral	A12 A15 B5 B9 B10 C3	30	38	68
Prácticas de laboratorio	A1 A2 B3 B7 C3	15	24	39
Traballos tutelados	A1 A2 A15 B3 B7 B10	15	24	39
Proba obxectiva	A1 A12 B5 B7 B10	2	0	2

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
Prácticas de laboratorio	Desenvolvemento de código relacionado co contido da materia
Traballos tutelados	Resolución dun problema do mundo real e redacción da memoria na que se expliquen a resolución deste
Proba obxectiva	Proba de avaliación escrita na que o alumno deberá demostrar os coñecementos adquiridos na asignatura

Metodoloxías	Competencias / Resultados	Descrición	Cualificación
Prácticas de laboratorio	A1 A2 B3 B7 C3	Desenvolvemento de código relacionado co contido da materia.	25
Traballos tutelados	A1 A2 A15 B3 B7 B10	Resolución dun problema do mundo real utilizando a metodoloxía, para o cal se utilizarán varias técnicas explicadas en teoría, e estimularase ao alumno a xerar novas ideas para a resolución deste problema. Redacción da memoria relativa á resolución do problema real realizado nas prácticas de laboratorio. A redacción da memoria incluirá a realización dunha revisión bibliográfica dos traballos máis importantes relacionados, escritos na súa inmensa maioría en inglés, documentación sobre o problema a resolver, metodoloxía utilizada, e comparación dos resultados atopados na aplicación das distintas técnicas, así como unha valoración crítica tanto dos resultados obtidos como da información utilizada.	25
Proba obxectiva	A1 A12 B5 B7 B10	Preguntas de tipo test sobre os contenidos da asignatura.	50

Observacións avaliación
Para superar a materia, deberase obter unha calificaciónmínima de 5 sobre 10 no resultado de combinar as calificaciòns da proba obxectiva, as prácticas de laboratorio e os traballos tutelados. Ademáis, deberase obter unha nota mínima de 4.5 puntos sobre 10 (2.25 puntos sobre 5) na proba obxectiva. Senon obtén esta nota mínima, a nota da materia será a correspondente á nota daproba obxectiva. Na segunda oportunidade, mantense a nota obtida nas prácticas de laboratorio, e traballos tutelados, non podendo volver a obter nota xa que resulta da evaluación continua do traballo durante os créditos de práctica da materia. Poderase voltar a facer o exame da proba obxectiva, sendo os criterios para obter a nota total os indicados ó principio deste apartado. Aqueles estudantes con matrícula a tempo parcial deberán entregar os traballos en data igual que os de tiempo completo, e asistir a os TGR nos que se correxirán os mesmos. De igual manera, é recomendable a súa asistencia ás clases deprácticas. O/A estudante recibirá a cualificación de "non presentado" cando non realice o exame final. 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	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

Bibliografía complementaria