Para superar a materia, o alumno deberá obter unha calificación mínima de 5 sobre 10 no resultado de combinar as calificacións da proba obxectiva e as prácticas de laboratorio. Ademáis, o alumno deberá obter unha nota mínima de 2 sobre 5 puntos na proba obxectiva. Se non obtén esta nota mínima, a nota da materia será a correspondente á nota da proba obxectiva.

O traballo entregado deberá ser orixinal do alumno. De acordo ao artigo 14, apartado 4, da normativa, a entrega de traballos non orixinais ou con partes duplicadas (sexa por copias entre compañeiros ou por obtención doutras fontes...) levará unha nota global de SUSPENSO NA CONVOCATORIA ANUAL, tanto para o/a estudante que presente material copiado como a quen o facilitase.

Sobre a responsabilidade compartida dos traballos en grupo.

Nas actividades que se levan a cabo en grupos, tales como as prácticas, todos os membros do grupo serán responsables solidarios do traballo realizado e entregado, así como das consecuencias que se deriven do incumprimento das normas de autoría do mesmo.

Na segunda oportunidade, mantense a nota obtida nas prácticas de laboratorio. Opcionalmente, no seu lugar habilitarase unha entrega adicional para un traballo. A calificación deste traballo substituirá a nota de prácticas da primeira oportunidade. A entrega dun novo traballo implica a perda da calificación anterior independentemente de que esta fora superior. No que respecta ás prácticas que se realizan dentro das horas de laboratorio, estas non se poden recuperar xa que son froito da avaliación continua do traballo durante os créditos de práctica da materia. O alumno pode volver a facer o exame da proba obxectiva, sendo os criterios para obter a nota os indicados ao principio deste apartado.

Aqueles alumnos con matrícula a tempo parcial deberán entregar os traballos en data ao igual que os alumnos a tempo completo. É recomendable a súa asistencia ás clases de prácticas.

A maiores, as titorias considéranse unha parte importante dentro do desenvolvemento da asignatura. Están orientadas de tal maneira que os/as estudantes teñan e/ou poidan consultar distintas cuestións como:

1. Posibilidades de desenvolvemento profesional

2. Problemas no desenvolvemento das prácticas

3. Maneiras de enfocar/organizar as prácticas

4. Resolución de dubidas sobre as cuestións teóricas

Debido a configuración baseada na non presencialidade das mesmas por parte dos centros, pedirase aos/ás estudantes que soliciten cita aos profesores responsables para realizar videochamadas por Teams dentro dos horarios de titorías do profesorado establecidos en espazos.udc.es.

Resultados de aprendizaxe	Competencias do título
Coñecer e saber aplicar técnicas avanzadas de preprocesado de datos, incluindo as de redución da dimensión ou de tratamiento de valores ausentes	A24	B3 B8 B9	C4
Coñecer as técnicas máis representativas de aprendizaxe para os problemas clásicos de clasificación, regresión e agrupación, e outros menos clásicos como problemas de ordenación, problemas de unha clase ou multitarea	A24	B3 B8 B9	C4
Coñecer as técnicas máis representativas e actuais de aprendizaxe non supervisado, semisupervisado e supervisado, con e sen reforzo	A24	B3 B8 B9	C4
Identificar as técnicas apropiadas de análise de datos segundo o problema	A25	B2 B3 B4 B7 B8 B10	C1
Manexar as ferramentas e contornas de traballo máis actuais no ámbito da aprendizaxe automática	A26		C1

Temas	Subtemas
1. Técnicas avanzadas de preprocesamento de datos	1.1. Tratamento de datos sesgados e ausentes 1.2. Métodos de redución da dimensión.
2. Modelos combinados (Ensemble)	2.1. Métodos de combinación de modelos: Voting, Bagging, Boosting... 2.2. Bosques Aleatorios
3. Aprendizaxe por reforzo	3.1. Baseada en modelos 3.2. Baseada en diferenzas temporais
4. Aprendizaxe semisupervisada	4.1. Modelos xenerativos 4.2. Modelos baseados en grafo
5. Métodos de clasificación dunha clase	5.1. Baseados en densidade 5.2. Baseados en reconstrución 5.3. Discriminativos
6. Outras aproximacións	6.1. Algoritmos de ranking 6.2. Cuantificación 6.3. Aprendizaxe multitarefa

Metodoloxías / probas	Competencias	Horas presenciais	Horas non presenciais / traballo autónomo	Horas totais
Sesión maxistral	A24 A25 B2 B3 B4 B8 C4 C1	21	42	63
Prácticas de laboratorio	A24 A25 A26 B2 B3 B4 B7 B9 B10 C1	21	42	63
Proba obxectiva	A24 A25 B2 B3 B4 B7 B8 B9 C1 C4	2	20	22

Atención personalizada		2	0	2

*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 problemas prácticos mediante o uso das distintas técnicas que se explicarán nas clases de teoría
Proba obxectiva	Proba de avaliación escrita na que o alumno deberá demostrar os coñecementos adquiridos na asignatura

Metodoloxías	Competencias	Descrición	Cualificación
Prácticas de laboratorio	A24 A25 A26 B2 B3 B4 B7 B9 B10 C1	Resolución de problemas 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 destes problemas.	50
Proba obxectiva	A24 A25 B2 B3 B4 B7 B8 B9 C1 C4	Preguntas sobre os contidos da asignatura (que poden ser de tipo test ou problemas para resolver), baseada nas distintas técnicas avanzadas de aprendizaxe automática e as súas aplicacións.	50

Observacións avaliación
Para superar a materia, o alumno deberá obter unha calificación mínima de 5 sobre 10 no resultado de combinar as calificacións da proba obxectiva e as prácticas de laboratorio. Ademáis, o alumno deberá obter unha nota mínima de 2 sobre 5 puntos na proba obxectiva. Se non obtén esta nota mínima, a nota da materia será a correspondente á nota da proba obxectiva. O traballo entregado deberá ser orixinal do alumno. De acordo ao artigo 14, apartado 4, da normativa, a entrega de traballos non orixinais ou con partes duplicadas (sexa por copias entre compañeiros ou por obtención doutras fontes...) levará unha nota global de SUSPENSO NA CONVOCATORIA ANUAL, tanto para o/a estudante que presente material copiado como a quen o facilitase. Sobre a responsabilidade compartida dos traballos en grupo. Nas actividades que se levan a cabo en grupos, tales como as prácticas, todos os membros do grupo serán responsables solidarios do traballo realizado e entregado, así como das consecuencias que se deriven do incumprimento das normas de autoría do mesmo. Na segunda oportunidade, mantense a nota obtida nas prácticas de laboratorio. Opcionalmente, no seu lugar habilitarase unha entrega adicional para un traballo. A calificación deste traballo substituirá a nota de prácticas da primeira oportunidade. A entrega dun novo traballo implica a perda da calificación anterior independentemente de que esta fora superior. No que respecta ás prácticas que se realizan dentro das horas de laboratorio, estas non se poden recuperar xa que son froito da avaliación continua do traballo durante os créditos de práctica da materia. O alumno pode volver a facer o exame da proba obxectiva, sendo os criterios para obter a nota os indicados ao principio deste apartado. Aqueles alumnos con matrícula a tempo parcial deberán entregar os traballos en data ao igual que os alumnos a tempo completo. É recomendable a súa asistencia ás clases de prácticas. A maiores, as titorias considéranse unha parte importante dentro do desenvolvemento da asignatura. Están orientadas de tal maneira que os/as estudantes teñan e/ou poidan consultar distintas cuestións como: 1. Posibilidades de desenvolvemento profesional 2. Problemas no desenvolvemento das prácticas 3. Maneiras de enfocar/organizar as prácticas 4. Resolución de dubidas sobre as cuestións teóricas Debido a configuración baseada na non presencialidade das mesmas por parte dos centros, pedirase aos/ás estudantes que soliciten cita aos profesores responsables para realizar videochamadas por Teams dentro dos horarios de titorías do profesorado establecidos en espazos.udc.es.

Bibliografía básica	Kuncheva L.I. (2014). Combining pattern classifiers: methods and algorithms. John Wiley & Sons Guyon, I., Gunn, S., Nikravesh, M., & Zadeh, L. A. (Eds.) (2008). Feature extraction: foundations and applications. Springer Tax, D. (2001). One-class classification: Concept-learning in the absence of counter-examples (Ph.D. thesis). The Netherlands: University of Delft (http://homepage.tudelft.nl/n9d04/thesis.pdf) Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction.. MIT Press Chapelle, O., Scholkopf, B., & Zien, A. (Eds.) (2006). Semi-Supervised learning. MIT Press

Bibliografía complementaria

Observacións