Competencias / Resultados do título |
Código
|
Competencias / Resultados do título
|
Resultados de aprendizaxe |
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
|
|
Contidos |
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 |
Planificación |
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 |
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
|
Atención personalizada |
Metodoloxías
|
Prácticas de laboratorio |
Traballos tutelados |
|
Descrición |
Realización do traballo práctico co asesoramiento do profesor.
Redacción da memoria explicativa baixo a tutela do profesor. |
|
Avaliación |
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.
|
Fontes de información |
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 |
|
Recomendacións |
Materias que se recomenda ter cursado previamente |
Programación I/614G03006 | Programación II/614G03007 | Matemática Discreta/614G03003 | Álxebra/614G03001 | Cálculo e Análise Numérica/614G03002 | Estatística/614G03004 | Algoritmos/614G03008 | Algoritmos Básicos da Intelixencia Artificial/614G03019 | Fundamentos de Aprendizaxe Automática/614G03018 | Representación do Coñecemento e Razonamento/614G03020 |
|
Materias que se recomenda cursar simultaneamente |
Aprendizaxe Profunda/614G03022 |
|
Materias que continúan o temario |
Modelos Avanzados de Aprendizaxe Automática II/614G03023 |
|
Observacións |
Fomentarase o desenvolvemento dunha cidadanía crítica, aberta e respectuosa coa diversidade na nosa sociedade, salientando a igualdade de dereitos do alumnado sen discriminación por cuestión de xénero ou condición sexual. Empregarase unha linguaxe inclusiva no material e no desenvolvemento das sesións. Traballarase para identificar e modificar prexuizos e actitudes sexistas e influirase na contorna para modificalos e fomentar valores de respecto e igualdade. Facilitarase a plena integración do alumnado que por razóns físicas, sensoriais, psíquicas ou socioculturais, experimenten dificultades a un acceso axeitado, igualitario e proveitoso á vida universitaria.
|
|