Para superar la materia, el alumno deberá obtener una calificación mínima de 5 sobre 10 como resultado de combinar las calificaciones de la prueba objetiva, las prácticas de laboratorio y los trabajos tutelados. Ademáis, 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 prueba objetiva.

En la segunda oportunidad, se mantiene 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 da materia. El alumno puede 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 tempo parcial deberán entregar los trabajos en fecha al igual que los alumnos a 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
Comprender la relación entre la complejidad de los modelos de aprendizaje, las características de los datos de entrenamiento y el sobreajuste, y conocer los mecanismos para evitarlo.	A24 A25
Desarrollar capacidades para diseñar las etapas de un proceso completo de análisis de datos basado en técnicas de aprendizaje automático		B2 B7 B9 B10	C1
Saber aplicar correctamente las técnicas de aprendizaje automático para obtener resultados fiables y significativos	A24	B3 B8
Conocer las técnicas más representativas y actuales de aprendizaje no supervisado, semisupervisado y supervisado, con y sin refuerzo.	A24	B8
Conocer las técnicas más representativas de aprendizaje para los problemas clásicos de clasificación, regresión y agrupación, y otros menos clásicos como problemas de ordenación, problemas de una clase o multitarea.	A24	B8
Identificar las técnicas apropiadas de análisis de datos según el problema.	A25	B3 B8
Manejar las herramientas y entornos de trabajo más actuales en el ámbito del aprendizaje automático.	A26	B2 B10

Tema	Subtema
1. Introducción	1.1. Introducción al Aprendizaje Automático 1.2. Aprendizaje Inductivo
2. Aprendizaje supervisado	2.1. Introducción 2.2. Redes de Neuronas Artificiales 2.3. Máquinas de Soporte Vectorial 2.4. Árboles de decisión 2.5. Árboles de regresión y árboles de modelos de regresión 2.6. Aprendizaje basado en instancias
3. Computación Evolutiva	3.1. Algoritmos Genéticos 3.2. Programación Genética 3.3. Enjambres y otras técnicas de Computación Evolutiva
4. Metodologías en el análisis de datos	4.1. Metodologías de entrenamiento, evaluación y selección de modelos 4.2. Metodologías de un proyecto de análisis de datos
5. Aprendizaje no supervisado	5.1. Métodos de clustering 5.2. Redes autoorganizadas

Metodologías / pruebas	Competéncias	Horas presenciales	Horas no presenciales / trabajo autónomo	Horas totales
Sesión magistral	A24 A25 B3 B8 B9	30	60	90
Prácticas de laboratorio	A26 B2 B3 B10 C1	18	18	36
Trabajos tutelados	B2 B3 B7 B9 B10	10	10	20
Prueba objetiva	A24 A25 B8 B9	2	0	2

Atención personalizada		2	0	2

(*)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 da asignatura
Prácticas de laboratorio	Resolver problemas prácticos mediante el uso de las distintas técnicas que se explicarán en las clases de teoría
Trabajos tutelados	Redacción, bajo la tutela del profesor, de las memorias en las que se expliquen las resoluciones de los problemas realizados en las prácticas de laboratorio
Prueba objetiva	Prueba de evaluación escrita en la que el alumno deberá demostrar los conocimientos adquiridos en la asignatura

Metodologías	Competéncias	Descripción	Calificación
Prácticas de laboratorio	A26 B2 B3 B10 C1	Resolución de problemas 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 estos problemas.	25
Trabajos tutelados	B2 B3 B7 B9 B10	Redacción de las memorias relativas a la resolución de los problemas reales realizados en las prácticas de laboratorio. La redacción de las memorias 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 obtenidos en la aplicación de las distintas técnicas, así como una valoración crítica tanto de los resultados obtenidos como de la información utilizada.	25
Prueba objetiva	A24 A25 B8 B9	Preguntas de tipo test sobre los contenidos de la asignatura, basada en las distintas técnicas de aprendizaje computacional y sus aplicaciones.	50

Observaciones evaluación
Para superar la materia, el alumno deberá obtener una calificación mínima de 5 sobre 10 como resultado de combinar las calificaciones de la prueba objetiva, las prácticas de laboratorio y los trabajos tutelados. Ademáis, 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 prueba objetiva. En la segunda oportunidad, se mantiene 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 da materia. El alumno puede 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 tempo parcial deberán entregar los trabajos en fecha al igual que los alumnos a 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 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

Complementária

Otros comentarios