Para superar a materia, o alumno deberá 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, o alumno deberá obter unha nota mínima de 2.4 sobre 6 puntos 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. O alumno pode voltar a facer o exame da proba obxectiva, sendo os criterios para obter a nota total os indicados ó principio deste apartado.

Aqueles alumnos con matrícula a tempo parcial deberán entregar os traballos en data al igual que os alumnos 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.

Resultados de aprendizaxe	Competencias do título
Coñecer as distintas técnicas de aprendizaxe máquina e aplicalas correctamente.	A45	B1 B9	C2 C6 C7 C8
Ser capaz de combinar os resultados de distintas técnicas.	A45	B1 B9
Ser capaz de comparar correctamente os resultados obtidos con distintas técnicas.	A45	B1	C2
Aprender e aplicar a metodoloxía de uso de estas técnicas na resolución de problemas reales.	A45	B1 B9	C2 C6 C7 C8

Temas	Subtemas
Tema 1: Introducción	1.1. Introducción ao Aprendizaxe automático 1.2. Introducción ao Aprendizaxe Inductivo
Tema 2: Aprendizaxe supervisado	2.1. Introducción 2.2. Máquinas de soporte vectorial 2.3. Árbores e Regras de Decisión 2.4. Regresión. Árbores de Regresión 2.5. Aprendizaxe Bayesiano 2.6. Aprendizaxe baseado en Instancias 2.7. Redes de neuronas artificiais
Tema 3: Aprendizaxe non supervisado	3.1. Aprendizaje non supervisado: agrupación 3.2. Redes de neuronas non supervisadas
Tema 4: Aprendizaxe por reforzo	4.1. Procesos de Decisión de Markov 4.2. Aprendizaxe por Refuerzo
Tema 5: Outros conceptos	5.1. Deep Learning 5.2. Evaluación e contraste de hipótesis 5.3. Metaclasificadores

Metodoloxías / probas	Competencias	Horas presenciais	Horas non presenciais / traballo autónomo	Horas totais
Sesión maxistral	A45 C7 C8	21	42	63
Prácticas de laboratorio	A45 B1 B9	12	24	36
Traballos tutelados	A45 C2 C6	7	19	26
Proba obxectiva	A45 C8 C7	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	Resolver un problema práctico mediante o uso das distintas técnicas que se explicarán nas clases de teoría
Traballos tutelados	Redacción, baixo a tutela do profesor, da memoria na que se explique a resolución do problema realizado nas prácticas de laboratorio. Este traballo deberá ser exposto en clase.
Proba obxectiva	Trátase dunha proba de avaliación escrita na que o alumno deberá demostrar os coñecementos adquiridos na asignatura.

Metodoloxías	Competencias	Descrición	Cualificación
Proba obxectiva	A45 C8 C7	Preguntas de tipo test sobre os contenidos da asignatura, baseada nas distintas técnicas de aprendizaxe computacional e as súas sus aplicacións.	60
Traballos tutelados	A45 C2 C6	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.	20
Prácticas de laboratorio	A45 B1 B9	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.	20

Observacións avaliación
Para superar a materia, o alumno deberá 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, o alumno deberá obter unha nota mínima de 2.4 sobre 6 puntos 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. O alumno pode voltar a facer o exame da proba obxectiva, sendo os criterios para obter a nota total os indicados ó principio deste apartado. Aqueles alumnos con matrícula a tempo parcial deberán entregar os traballos en data al igual que os alumnos 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.

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 Ethem Alpaydin (2004). Introduction to Machine Learning. MIT Press David Aha (). Lazy Learning. Kluwer Academics Publishers T.M. Mitchell (1997). Machine Learning. McGraw Hill Richard Sutton, Andrew Barto (). Reinforcement Learning. An Introduction. MIT Press Saso Dzeroski, Nada Lavrac (). Relational Data Mining. Springer Andrew Webb (2002). Statistical Pattern Recognition. Wiley

Bibliografía complementaria

Observacións