Datos Identificativos 2020/21
Asignatura (*) Aprendizaje Automático I Código 770538016
Titulación
Máster Universitario en Informática Industrial e Robótica
Descriptores Ciclo Periodo Curso Tipo Créditos
Máster Oficial 2º cuatrimestre
 Primero Optativa 3
Idioma
Castellano
Modalidad docente Presencial
Prerrequisitos
Departamento Ciencias da Computación e Tecnoloxías da Información
Coordinador/a
Fontenla Romero, Oscar
 Correo electrónico
oscar.fontenla@udc.es
Profesorado
Fontenla Romero, Oscar
 Correo electrónico
oscar.fontenla@udc.es
Web http://moodle.udc.es
Descripción general O obxectivo da materia é proporcionar aos estudantes unha visión sobre as técnicas máis representativas da disciplina da aprendizaxe automática, unha das ramas da Intelixencia Artificial con maior éxito e aplicación práctica na actualidade. A aprendizaxe é unha característica central da intelixencia, e a posibilidade de construír sistemas computerizados capaces de adaptarse á súa contorna aprendendo del é unha cuestión que cada vez suscita máis interese. Este tipo de sistemas resultan especialmente útiles cando se trata de analizar un conxunto de datos para poder extraer coñecemento deles. Nesta materia adquiriranse os coñecementos e as habilidades necesarias para poder desenvolver proxectos de aprendizaxe automática para resolver problemas reais de clasificación e regresión de tipo supervisado, así como as condicións de desenvolvemento que deben terse en conta para que este tipo de sistemas e modelos sexan o máis fiables posible.
Plan de contingencia 1. Modificacións nos contidos

– Non se farán cambios.

2. Metodoloxías

*Metodoloxías docentes que se manteñen

Mantéñense todas as metodoloxías pero adaptadas á docencia non presencial.

*Metodoloxías docentes que se modifican

Todas as metodoloxías serán adaptadas. Así, a sesión maxistral, as prácticas de laboratorio e a proba mixta realizaranse mediante Teams e/ou Moodle. A presentación dos traballos tutelados realizarase tamén mediante Teams.

3. Mecanismos de atención personalizada ao alumnado

A atención personalizada ao alumno realizarase a distancia mediante o uso de correo electrónico, videoconrferencia con Microsoft Teams e Moodle:
– Correo electrónico: Diariamente para facer consultas, solicitar encontros virtuais para resolver dúbidas e facer o seguimento dos traballos tutelados.
– Moodle: Diariamente segundo a necesidade do alumando. Dispoñen de "foros temáticos asociados aos módulos" da materia, para formular as consultas necesarias.
– Teams: sesións de videoconferencia (ou chat) baixo demanda para o avance dos contidos teóricos e dos traballos tutelados na franxa horaria que ten asignada a materia.

4. Modificacións na avaliación

Non hai cambios na avaliación, máis aló de que será realizada telemáticamente mediante Moodle ou Teams.

*Observacións de avaliación:

5. Modificacións da bibliografía ou webgrafía

- Non se realizarán cambios. Xa dispoñen de todos os materiais de traballo da maneira dixitalizada en Moodle

Competencias del título
Código Competencias del título
A1 CE01 - Capacidad para aplicar técnicas de análisis de datos y técnicas inteligentes en robótica y/o informática industrial
A2 CE02 - Capacidad para desarrollar aplicaciones, implementar algoritmos y manejar estructuras de datos de forma eficiente en los lenguajes de programación, en especial los usados en robótica y/o informática industrial
A12 CE12 - Capacidad para el desarrollo de sistemas ciberfísicos, internet de las cosas y/o técnicas basadas en cloud computing
B2 CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
B4 CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades
B7 CG2 - Desarrollar las capacidades de análisis y síntesis; fomentar la discusión crítica, la defensa de argumentos y la toma de conclusiones
B11 CG6 - Adquirir nuevos conocimientos y capacidades relacionados con el ámbito profesional del máster
B18 CG13 - Plantear y resolver problemas, interpretar un conjunto de datos y analizar los resultados obtenidos; en el ámbito de la informática industrial y la robótica
C2 CT02 - Fomentar la sensibilidad hacia temas sociales y/o medioambientales
C5 CT05 - Adquirir la capacidad para elaborar un trabajo multidisciplinar
C6 CT06 - Dominar la expresión y la comprensión de un idioma extranjero

Resultados de aprendizaje
Resultados de aprendizaje Competencias del título
Conocer las técnicas más representativas de aprendizaje supervisado para los problemas clásicos de clasificación y regresión. AM1
 BM7
BM11
 CM6
Conocer y ser capaz de implementar algoritmos sencillos y característicos de los paradigmas más importantes de aprendizaje supervisado. AM2
AM12
 BM2
BM18
 CM5
Saber aplicar correctamente las técnicas de aprendizaje automático de clasificación y regresión para obtener resultados fiables y significativos. AM2
 BM4
 CM2

Contenidos
Tema Subtema
Tema 1: Fundamentos de aprendizaje automático - Características de los sistemas de aprendizaje.
- Tipos de aprendizaje.
- Áreas de aplicación e tipos de problemas.
- Capacidad de generalización y sobreajuste.
- Preparación y limpieza de los datos.
Tema 2: Modelos lineales de aprendizaje supervisado - Algoritmos de regresión lineal.
- Algoritmos de clasificación lineal.
Tema 3: Modelos no lineales de aprendizaje supervisado - K vecinos más cercanos.
- Árboles de decisión.
- Redes de neuronas artificiales.
- Modelos basados en kernels: máquinas de vectores soporte.
- Mezcla de expertos.
- Aproximaciones para problemas multiclase.
Tema 4: Funciones y medidas de error - Métricas de error para los problemas de clasificación.
- Métricas de error para los problemas de regresión.
Tema 5: Metodología de entrenamiento, evaluación y selección de modelos - Diseño experimental.
- Técnicas de validación para la estimación no sesgada del error.
- Métodos para la selección de modelos y análisis de resultados.

Planificación
Metodologías / pruebas Competéncias Horas presenciales Horas no presenciales / trabajo autónomo Horas totales
Sesión magistral B7 B11 7 14 21
Prácticas de laboratorio A1 A2 A12 B2 10 15 25
Trabajos tutelados B4 B7 B18 C2 C5 C6 0 26 26
Prueba mixta B11 2 0 2
 
Atención personalizada 1 0 1
 
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías
Metodologías Descripción
Sesión magistral Actividad presencial en el aula empleada para establecer los conceptos fundamentales de la materia. Consiste en la exposición oral complementada con el uso de medios audiovisuales/multimedia y la realización de algunas preguntas dirigidas a los estudiantes, con el fin de transmitir conocimientos y facilitar el aprendizaje.
Prácticas de laboratorio Desarrollo de prácticas en el laboratorio de informática. Esta actividad consistirá en el estudio de casos y ejemplos además de la realización, por parte de los alumnos, de los ejercicios planteados por los profesores.
Trabajos tutelados Realización de trabajos/proyectos relacionados con alguno de los temas del temario de la asignatura. Los alumnos entregarán, en soporte informático, la memoria del trabajo y una presentación que tendrá que exponer al profesor. Estos trabajos requerirán la asistencia de, al menos, una tutoría personalizada para cada grupo.
Prueba mixta Prueba de evaluación que se realizará al final de curso en las correspondientes convocatorias oficiales. Consistirá en una prueba en la que será necesario responder a diferentes cuestiones teórico-prácticas.

Atención personalizada
Metodologías
Trabajos tutelados
Descripción
La atención personalizada será necesaria para mostrar los avances del trabajo/proyecto propuesto y para ofrecer la orientación adecuada y asegurar la calidad del mismo. También se empleará para la resolución de dudas conceptuales y el seguimiento de la ejecución de los trabajos. Estas tutorías ser realizarán de forma presencial en el despacho del profesor.

Evaluación
Metodologías Competéncias Descripción Calificación
Prueba mixta B11 Prueba final de la materia que consistirá en la realización de un examen individual. Esta prueba tendrá preguntas de tipo teóricas y prácticas relacionadas con los conceptos estudiados en las clases magistrales, en las prácticas de laboratorio o con los contenidos de los trabajos/proyectos tutelados. 40
Trabajos tutelados B4 B7 B18 C2 C5 C6 Desarrollo de un proyecto aplicado, individual ou en grupo reducido. Será necesario entregar los materiales (documento y presentación) en tiempo y forma siguiendo las indicaciones del reto planteado en el enunciado. Además, requerirá la exposición oral por parte de todos los integrantes del grupo de trabajo, empleando para eso la presentación entregada. Se tendrá en cuenta para la evaluación de esta actividad la memoria y la presentación entregada así como las contestaciones a las preguntas del profesor durante la presentación obligatoria. La no realización de la presentación supondrá una nota de cero en esta actividad. 50
Prácticas de laboratorio A1 A2 A12 B2 Consistirá en la recopilación de los ejercicios realizados en las prácticas de laboratorio durante el curso. Estos ejercicios deberán realizarse en el tiempo asignado a las clases prácticas y se entregarán al final de las mismas. Durante la realización de estos ejercicios, el alumno puede plantear dudas al profesor o consultar los materiales que estime oportuno. Por tanto, esta actividad evaluará el trabajo diario del alumno en las clases prácticas. 10
 
Observaciones evaluación

Para poder aprobar la materia el estudiante deberá cumplir los siguientes requisitos (puntuación entre 0 y 10 en todas las actividades):

- Lograr una nota superior o igual a 3,5 en la prueba mixta realizada al final del cuatrimestre.

- Lograr una nota superior o igual a 5 al realizar la suma de todas las pruebas de evaluación.

Notas sobre las actividades:

- Todas las actividades tendrán una única oportunidad para su entrega durante el curso académico, salvo la prueba objetiva final que tendrá dos oportunidades oficiales de examen.

Fuentes de información
Básica Christopher M. Bishop (2011). Pattern Recognition and Machine Learning. Springer
Jake VanderPlas (2016). Python Data Science Handbook: Essential Tools for Working with Data. O'Reilly
Wes McKinney (2017). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. O'Reilly

Complementária Andreas C. Müller, Sarah Guido (2016). Introduction to Machine Learning with Python. O'Reilly


Recomendaciones
Asignaturas que se recomienda haber cursado previamente

Asignaturas que se recomienda cursar simultáneamente
Python para Ingenieros Introductorio/770538011

Asignaturas que continúan el temario
Aprendizaje Automático II/770538017

Otros comentarios

Para el desarrollo de la práctica de la materia, es muy recomendable tener conocimientos básicos previos del lenguaje de programación Python o bien cursar al mismo tempo la materia Python para Ingenieros que se imparte en el máster.

Para ayudar a conseguir un entorno sostenible y cumplir con el objetivo de la acción número 5: "Docencia e investigación saludable y sostenible ambiental y social" del "Plan de Acción Green Campus Ferrol" la entrega de los trabajos documentales que se realicen en esta materia:

1. Se solicitará en formato virtual y/o soporte informático.

2. Se realizará a través de Moodle, en formato digital sin necesidad de imprimirlos.

3. De realizarse en papel:

- No se emplearán plásticos.

- Se realizarán impresiones a doble cara.

- Se empleará papel reciclado.

- Se evitará la impresión de borradores


(*) La Guía Docente es el documento donde se visualiza la propuesta académica de la UDC. Este documento es público y no se puede modificar, salvo cosas excepcionales bajo la revisión del órgano competente de acuerdo a la normativa vigente que establece el proceso de elaboración de guías