Study programme competencies |
Code
|
Study programme competences
|
A24 |
CE24 - Comprensión e dominio dás principais técnicas básicas e avanzadas de aprendizaxe automática, incluíndo as dedicadas ao tratamento de grandes volumes de datos. |
A25 |
CE25 - Capacidade para identificar a adecuación de cada unha das técnicas de aprendizaxe automática á resolución dun problema, incluíndo os aspectos relacionados coa súa complexidade computacional ou a súa capacidade explicativa, de acordo aos requisitos establecidos. |
A26 |
CE26 - Coñecemento das ferramentas informáticas actuais no campo da aprendizaxe automática, e capacidade para seleccionar a máis adecuada para a resolución dun problema. |
B2 |
CB2 - Que os estudantes saiban aplicar os seus coñecementos ao seu traballo ou vocación dunha forma profesional e posúan as competencias que adoitan demostrarse por medio da elaboración e defensa de argumentos e a resolución de problemas dentro da súa área de estudo |
B3 |
CB3 - Que os estudantes teñan a capacidade de reunir e interpretar datos relevantes (normalmente dentro da súa área de estudo) para emitir xuízos que inclúan unha reflexión sobre temas relevantes de índole social, científica ou ética |
B4 |
CB4 - Que os estudantes poidan transmitir información, ideas, problemas e solucións a un público tanto especializado como non especializado |
B7 |
CG2 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables. |
B8 |
CG3 - Ser capaz de manter e estender formulacións teóricas fundadas para permitir a introdución e explotación de tecnoloxías novas e avanzadas no campo. |
B9 |
CG4 - Capacidade para abordar con éxito todas as etapas dun proxecto de datos: exploración previa dos datos, preprocesado, análise, visualización e comunicación de resultados. |
B10 |
CG5 - Ser capaz de traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións. |
C1 |
CT1 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida. |
C4 |
CT4 - Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade. |
Learning aims |
Learning outcomes |
Study programme competences |
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
|
Contents |
Topic |
Sub-topic |
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 |
Planning |
Methodologies / tests |
Competencies |
Ordinary class hours |
Student’s personal work hours |
Total hours |
Guest lecture / keynote speech |
A24 A25 B2 B3 B4 B8 C4 C1 |
21 |
42 |
63 |
Laboratory practice |
A24 A25 A26 B2 B3 B4 B7 B9 B10 C1 |
21 |
42 |
63 |
Objective test |
A24 A25 B2 B3 B4 B7 B8 B9 C1 C4 |
2 |
20 |
22 |
|
Personalized attention |
|
2 |
0 |
2 |
|
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students. |
Methodologies |
Methodologies |
Description |
Guest lecture / keynote speech |
Impartición teórica da materia da asignatura |
Laboratory practice |
Resolver problemas prácticos mediante o uso das distintas técnicas que se explicarán nas clases de teoría |
Objective test |
Proba de avaliación escrita na que o alumno deberá demostrar os coñecementos adquiridos na asignatura |
Personalized attention |
Methodologies
|
Laboratory practice |
|
Description |
Realización do traballo práctico co asesoramiento do profesor. Redacción de documentos de compendio dos resultados na forma de memorias ou artígos, así como a presentación dos resultados có profesor ou en sesións públicas dentro da clase.
|
|
Assessment |
Methodologies
|
Competencies |
Description
|
Qualification
|
Laboratory practice |
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 |
Objective test |
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 |
|
Assessment comments |
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.
|
Sources of information |
Basic
|
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 |
|
Complementary
|
|
|
Recommendations |
Subjects that it is recommended to have taken before |
Machine Learning I/614G02019 | Design and Analysis of Algorithms/614G02011 | Statistical Modeling of High Dimensional Data/614G02013 | Fundamentals of Programming II/614G02009 | Fundamentals of Programming I/614G02004 | Statistical Inference/614G02007 |
|
Subjects that are recommended to be taken simultaneously |
Statistical Analysis of Dependent Data/614G02022 |
|
Subjects that continue the syllabus |
Large Scale Machine Learning/614G02032 | Numerical Methods for Data Science/614G02033 | Image, Video and Audio Processing/614G02028 |
|
|