Para superar a materia, deberase obter unha calificación mínima 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. Se non obtén esta nota mínima, a nota da materia será a correspondente á nota da proba 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 al igual que os de a tiempo completo, e asistir a os TGR nos que se correxirán os mesmos. De igual manera, é recomendable a súa asistencia ás clases de prácticas.

Non presentado:

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 e saber aplicar modelos de redución de dimensionalidade.	A1 A12	B2 B3 B8 B9 B10	C3
Coñecer e saber aplicar modelos de visualización de datos para a súa análise.		B3 B5	C1
Coñecer e comprender os diferentes modelos de aprendizaxe supervisada para a clasificación e a regresión.	A12	B2 B5 B9	C3
Coñecer e saber aplicar modelos de ensembles.	A12	B2 B3 B5 B8 B9 B10	C3
Coñecer e saber aplicar modelos de aprendizaxe probabilístico.	A13	B5 B9	C2
Coñecer e saber aplicar modelos de aprendizaxe multitarefa.	A12 A13	B2 B3 B5 B8 B9 B10	C3
Saber seleccionar as diferentes técnicas de aprendizaxe estudadas para resolver un problema concreto nun ámbito determinado.	A12	B2 B3 B5 B8 B9 B10

Temas	Subtemas
Modelos Avanzados para Clasificación e Regresión	Variantes de redes neuronais Variantes de SVM Variantes de Árbores de Decisión Modelos híbridos Modelos avanzados de Regresión Aprendizaxe bayesiana
Modelos probabilísticos dinámicos	Introdución Modelos de Markov
Reducción de Dimensionalidade	Selección de modelos Principle Componen Analysis(PCA) e as suas variantes Análisis discriminante lineal (LDA), Análise da correlación canónica (CCA) Independent Component Analysis (ICA) Reducciónss para representación (ISOMap, t-SNE, proxeccións de Samson ...)
Modedos Ensemble	Variantes de ensemble máis habituais Random Forest Bagging e as suas variantes máis habituáis Boosting e sus variantes máis habituáis (AdaBoost, LightGBM, XGBoost, CatBoost, ...)
Aprendizaxe Multitarefa	Hard Sharing Parameters Soft Sharing Paramters Tipos de aprendizaxe Multitarefa Medidas de rendimento Balanceo de erros

Metodoloxías / probas	Competencias / Resultados	Horas lectivas (presenciais e virtuais)	Horas traballo autónomo	Horas totais
Sesión maxistral	A1 A12 A13 B2 B3 B5 B8 B9 B10 C3	21	42	63
Prácticas de laboratorio	A1 A13 B2 B3 B5 C1 C2	12	24	36
Traballos tutelados	A1 A13 B2 B3 B5 C1 C2 C3	7	19	26
Proba obxectiva	A1 A12 A13 B2 B3 B5 B8 C1	2	20	22

Atención personalizada		3	0	3

*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 A13 B2 B3 B5 C1 C2	Desenvolvemento de código relacionado co contido da materia.	25
Traballos tutelados	A1 A13 B2 B3 B5 C1 C2 C3	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 A13 B2 B3 B5 B8 C1	Preguntas de tipo test sobre os contenidos da asignatura.	50

Observacións avaliación
Para superar a materia, deberase obter unha calificación mínima 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. Se non obtén esta nota mínima, a nota da materia será a correspondente á nota da proba 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 al igual que os de a tiempo completo, e asistir a os TGR nos que se correxirán os mesmos. De igual manera, é recomendable a súa asistencia ás clases de prácticas. Non presentado: 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	Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H.,& Zhou, T. (2015). Xgboost: extreme gradient boosting.. arxiv Dong, X., Yu, Z., Cao, W., Shi, Y., & Ma, Q. (2020). A survey on ensemble learning. Frontiers of Computer Science, 14, 241-258 Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A (2018). CatBoost: unbiased boosting with categorical features. Advances in neural information processing systems, 31. Cunningham, P. (2009). Dimension reduction. In Machine learning techniques for multimedia: Case studies on organization and retrieval . Springer Berlin Heidelberg Nizar Bouguila, Wentao Fan, Manar Amayri (Eds.) (2022). Hidden Markov Models and Applications. Springer Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., ... & Liu, T. Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree.. Advances in neural information processing systems, 30 Hastie, T., Rosset, S., Zhu, J., & Zou, H. (2009). Multi-class adaboost. Statistics and its Interface, 2(3), 349-360 Caruana, R. (1997). Multitask learning.. Machine learning, 28, 41-75 Breiman, L. (2001). Random Forest. Machine learning, 45, 5-32.

Bibliografía complementaria	Zhang, Y., & Yang, Q. (2021). A survey on multi-task learning.. IEEE transactions on knowledge and data engineering, 34(12), 5586-5609. Abelson, R. P., & Prentice, D. A. (1997). Contrast tests of interaction hypothesis. Psychological Methods, 2(4), 315 Meng, C., Zeleznik, O. A., Thallinger, G. G., Kuster, B., Gholami, A. M., & Culhane, A. C. (2016). Dimension reduction techniques for the integrative analysis of multi-omics data. Briefings in bioinformatics, 17(4), 628-641 Pearson, K. (1901). Sobre líneas y planos de ajuste más cercano a sistemas de puntos en el espacio. Philosophical Magazine 2 (11): 559-572