Para superar la materia, el alumno deberá obtener una calificación mínima de 5 sobre 10 en el resultado de combinar las calificaciones de la prueba objetiva, las prácticas de laboratorio y los trabajos tutelados. Además, el alumno deberá obtener una nota mínima de 2 sobre 5 puntos en la prueba objetiva. Si no obtiene esta nota mínima, la nota de la materia será la correspondiente a la nota de la proba objectiva.

En la segunda oportunidad, se mantendrá la nota obtenida en las prácticas de laboratorio y trabajos tutelados, no pudiendo volver a obtener nota ya que resulta de la evaluación continua del trabajo durante los créditos de práctica de la materia. El alumno pode volver a hacer el examen de la prueba objetiva, siendo los criterios para obtener la nota total los indicados al principio de este apartado.

Aquellos alumnos con matrícula a tiempo parcial deberán entregar los trabajos en fecha al igual que los alumnos de tiempo completo, y asistir a los TGR en los que se corregirán los mismos. De igual manera, es recomendable su asistencia a las clases de prácticas.

Resultados de aprendizaje	Competencias del título
Conocer las distintas técnicas de aprendizaje máquina y aplicarlas correctamente.	A45	B1 B9	C2 C6 C7 C8
Ser capaz de combinar los resultados de distintas técnicas.	A45	B1 B9
Ser capaz de comparar correctamente los resultados obtenidos con distintas técnicas.	A45	B1	C2
Aprender y aplicar la metodología de uso de estas técnicas en la resolución de problemas reales.	A45	B1 B9	C2 C6 C7 C8

Tema	Subtema
Tema 1: Introducción	1.1. Introducción al Aprendizaje automático 1.2. Introducción al Aprendizaje Inductivo
Tema 2: Aprendizaje supervisado	2.1. Introducción 2.2. Máquinas de soporte vectorial 2.3. Árboles y Reglas de Decisión 2.4. Regresión. Árboles de Regresión 2.5. Aprendizaje Bayesiano 2.6. Aprendizaje basado en Instancias 2.7. Redes de neuronas artificiales
Tema 3: Aprendizaje no supervisado	3.1. Aprendizaje no supervisado: agrupación 3.2. Redes de neuronas no supervisadas
Tema 4: Aprendizaje por refuerzo	4.1. Procesos de Decisión de Markov 4.2. Aprendizaje por Refuerzo
Tema 5: Otros conceptos	5.1. Deep Learning 5.2. Evaluación y contraste de hipótesis 5.3. Metaclasificadores

Metodologías / pruebas	Competéncias	Horas presenciales	Horas no presenciales / trabajo autónomo	Horas totales
Sesión magistral	A45 C7 C8	21	42	63
Prácticas de laboratorio	A45 B1 B9	12	24	36
Trabajos tutelados	A45 C2 C6	7	19	26
Prueba objetiva	A45 C7 C8	2	20	22

Atención personalizada		3	0	3

(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías	Descripción
Sesión magistral	Impartición teórica de la materia de la asignatura
Prácticas de laboratorio	Resolver un problema práctico mediante el uso de las distintas técnicas que se explicarán en las clases de teoría
Trabajos tutelados	Redacción, bajo la tutela del profesor, de la memoria en la que se explique la resolución del problema realizado en las prácticas del laboratorio y los resultados obtenidos.
Prueba objetiva	Se trata de una prueba de evaluación escrita en la que el alumno deberá demostrar los conocimientos adquiridos de la asignatura.

Metodologías	Competéncias	Descripción	Calificación
Prueba objetiva	A45 C7 C8	Preguntas de tipo test sobre los contenidos de la asignatura, basada en las distintas técnicas de aprendizaje computacional y sus aplicaciones.	50
Trabajos tutelados	A45 C2 C6	Redacción de la memoria relativa a la resolución del problema real realizado en las prácticas de laboratorio. La redacción de la memoria incluirá la realización de una revisión bibliográfica de los trabajos más importantes relacionados, escritos en su inmensa mayoría en inglés, documentación sobre el problema a resolver, metodología utilizada, y comparación de los resultados hallados en la aplicación de las distintas técnicas, así como una valoración crítica tanto de los resultados obtenidos como de la información utilizada.	25
Prácticas de laboratorio	A45 B1 B9	Resolución de un problema del mundo real utilizando la metodología, para lo cual se utilizarán varias técnicas explicadas en teoría, y se estimulará al alumno a generar nuevas ideas para la resolución de este problema.	25

Observaciones evaluación
Para superar la materia, el alumno deberá obtener una calificación mínima de 5 sobre 10 en el resultado de combinar las calificaciones de la prueba objetiva, las prácticas de laboratorio y los trabajos tutelados. Además, el alumno deberá obtener una nota mínima de 2 sobre 5 puntos en la prueba objetiva. Si no obtiene esta nota mínima, la nota de la materia será la correspondiente a la nota de la proba objectiva. En la segunda oportunidad, se mantendrá la nota obtenida en las prácticas de laboratorio y trabajos tutelados, no pudiendo volver a obtener nota ya que resulta de la evaluación continua del trabajo durante los créditos de práctica de la materia. El alumno pode volver a hacer el examen de la prueba objetiva, siendo los criterios para obtener la nota total los indicados al principio de este apartado. Aquellos alumnos con matrícula a tiempo parcial deberán entregar los trabajos en fecha al igual que los alumnos de tiempo completo, y asistir a los TGR en los que se corregirán los mismos. De igual manera, es recomendable su asistencia a las clases de prácticas.

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

Complementária

Otros comentarios