Competencias del título |
Código
|
Competencias del título
|
A24 |
CE24 - Comprensión y dominio de las principales técnicas básicas y avanzadas de aprendizaje automático, incluyendo las dedicadas al tratamiento de grandes volúmenes de datos. |
A25 |
CE25 - Capacidad para identificar la adecuación de cada una de las técnicas de aprendizaje automático a la resolución de un problema, incluyendo los aspectos relacionados con su complejidad computacional o su capacidad explicativa, de acuerdo a los requisitos establecidos. |
A26 |
CE26 - Conocimiento de las herramientas informáticas actuales en el campo del aprendizaje automático, y capacidad para seleccionar la más adecuada para la resolución de un problema. |
B2 |
CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio |
B3 |
CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética |
B4 |
CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado |
B7 |
CG2 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables. |
B8 |
CG3 - Ser capaz de mantener y extender planteamientos teóricos fundados para permitir la introducción y explotación de tecnologías nuevas y avanzadas en el campo. |
B9 |
CG4 - Capacidad para abordar con éxito todas las etapas de un proyecto de análisis de datos: exploración previa de los datos, preprocesado, análisis, visualización y comunicación de resultados. |
B10 |
CG5 - Ser capaz de trabajar en equipo, especialmente de carácter multidisciplinar, y ser hábiles en la gestión del tiempo, personas y toma de decisiones. |
C1 |
CT1 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida. |
C4 |
CT4 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad. |
Resultados de aprendizaje |
Resultados de aprendizaje |
Competencias del título |
Conocer y saber aplicar técnicas avanzadas de preprocesado de datos, incluyendo las de reducción de la dimensión o de tratamiento de valores ausentes |
A24
|
B3 B8 B9
|
C4
|
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
|
B3 B8 B9
|
C4
|
Conocer las técnicas más representativas y actuales de aprendizaje no supervisado, semisupervisado y supervisado, con y sin refuerzo |
A24
|
B3 B8 B9
|
C4
|
Identificar las técnicas apropiadas de análisis de datos según el problema |
A25
|
B2 B3 B4 B7 B8 B10
|
C1
|
Manejar las herramientas y entornos de trabajo más actuales en el ámbito del aprendizaje automático |
A26
|
|
C1
|
Contenidos |
Tema |
Subtema |
1. Técnicas avanzadas de preprocesamiento de datos |
1.1. Tratamiento de datos sesgados y ausentes
1.2. Métodos de reducción de la dimensionalidad |
2. Modelos combinados (Ensemble) |
2.1. Métodos de combinación de modelos: Voting, Bagging, Boosting...
2.2. Bosques Aleatorios
|
3. Aprendizaje por refuerzo |
3.1. Basado en modelos
3.2. Basado en diferencias temporales
|
4. Aprendizaje semisupervisado |
4.1. Modelos generativos
4.2. Modelos basados en grafo
|
5. Métodos de clasificación de una clase |
5.1. Basados en densidad
5.2. Basados en reconstrucción
5.3. Discriminativos
|
6. Otras aproximaciones |
6.1. Algoritmos de ranking
6.2. Cuantificación
6.3. Aprendizaje multitarea
|
Planificación |
Metodologías / pruebas |
Competéncias |
Horas presenciales |
Horas no presenciales / trabajo autónomo |
Horas totales |
Sesión magistral |
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 |
Prueba objetiva |
A24 A25 B2 B3 B4 B7 B8 B9 C1 C4 |
2 |
20 |
22 |
|
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 |
Metodologías |
Descripción |
Sesión magistral |
Impartición teórica de la materia de la asignatura |
Prácticas de laboratorio |
Resolver problemas prácticos mediante el uso de las distintas técnicas que se explicarán en las clases de teoría |
Prueba objetiva |
Prueba de evaluación escrita en la que el alumno deberá demostrar los conocimientos adquiridos en la asignatura |
Atención personalizada |
Metodologías
|
Prácticas de laboratorio |
|
Descripción |
Realización del trabajo práctico con el asesoramiento del profesor. Redacción de documentos de compendio de los resultados en la forma de memorias o artículos, así como la presentación de los resultados con el profesor o en sesiones públicas dentro de la clase.
|
|
Evaluación |
Metodologías
|
Competéncias |
Descripción
|
Calificación
|
Prácticas de laboratorio |
A24 A25 A26 B2 B3 B4 B7 B9 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. |
50 |
Prueba objetiva |
A24 A25 B2 B3 B4 B7 B8 B9 C1 C4 |
Preguntas sobre los contenidos de la asignatura (que pueden ser de tipo test o problemas para resolver), basada en las distintas técnicas avanzadas de aprendizaje automático y sus aplicaciones. |
50 |
|
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 y las prácticas de laboratorio. 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 correspondente a la nota de la prueba objetiva. El trabajo entregado deberá ser original del alumno. De acuerdo al artículo 14, apartado 4, de la normativa, la entrega de trabajos no originales o con partes duplicadas (sea por copias entre compañeros o por obtención de otras fuentes...) llevará una nota global de SUSPENSO EN LA CONVOCATORIA ANUAL, tanto para el/la estudante que presente material copiado como a quien lo facilitase. Sobre la responsabilidad compartida de los trabajos en grupo. En las actividades que se llevan a cabo en grupos, tales como las prácticas, todos los miembros del grupo serán responsables solidarios do¡el trabajo realizado y entregado, así como de las consecuencias que se deriven del incumplimiento de las normas de autoría del mismo. En la segunda oportunidad, se mantiene la nota obtenida en las prácticas de laboratorio. Opcionalmente, en su lugar se habilitará una entrega adicional para un trabajo. La calificación de este trabajo sustituirá la nota de prácticas de la primeira oportunidad. La entrega de un nuevo trabajo implica la pérdida de la calificación anterior independientemente de que esta fuera superior. En lo que respecta a las prácticas que se realizan dentro de las horas de laboratorio, éstas no se pueden recuperar ya que son fruto de la evaluación continua del trabajo durante los créditos de práctica de la materia. El alumno puede volver a hacer el exame de la prueba objetiva, siendo los criterios para obtener la nota 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 a tiempo completo. Es recomendable su asistencia a las clases de prácticas. A mayores, las tutorias se considerarán una parte importante dentro del desarrollo de la asignatura. Están orientadas de tal manera que los/las estudantes tengan y/o puedan consultar distintas cuestiones como: 1. Posibilidades de desarrollo profesional 2. Problemas en el desarrollo de las prácticas 3. Maneras de enfocar/organizar las prácticas 4. Resolución de dudas sobre las cuestiones teóricas Debido a la configuración basada en la no presencialidad de las mismas por parte de los centros, se pedirá a los/las estudiantes que soliciten cita a los profesores responsables para realizar videollamadas por Teams dentro de los horarios de tutorías del profesorado establecidos en espazos.udc.es.
|
Fuentes de información |
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 |
|
Complementária
|
|
|
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente |
Aprendizaje Automático I/614G02019 | Diseño y Análisis de Algoritmos/614G02011 | Modelización Estadística de Datos de Alta Dimensión/614G02013 | Fundamentos de Programación II/614G02009 | Fundamentos de Programación I/614G02004 | Inferencia Estadística/614G02007 |
|
Asignaturas que se recomienda cursar simultáneamente |
Análisis Estadístico de Datos con Dependencia/614G02022 |
|
Asignaturas que continúan el temario |
Aprendizaje Automático a Gran Escala/614G02032 | Métodos Numéricos para Ciencia de Datos/614G02033 | Procesamiento de Imagen, Vídeo y Audio/614G02028 |
|
|