Identifying Data 2020/21
Subject (*) Machine Learning I Code 770538016
Study programme
Máster Universitario en Informática Industrial e Robótica
Descriptors Cycle Period Year Type Credits
Official Master's Degree 2nd four-month period
 First Optional 3
Language
Spanish
Teaching method Face-to-face
Prerequisites
Department Ciencias da Computación e Tecnoloxías da Información
Coordinador
Fontenla Romero, Oscar
 E-mail
oscar.fontenla@udc.es
Lecturers
Fontenla Romero, Oscar
 E-mail
oscar.fontenla@udc.es
Web http://moodle.udc.es
General description 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.
Contingency plan 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

Study programme competencies
Code Study programme competences
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

Learning aims
Learning outcomes Study programme competences
Conocer las técnicas más representativas de aprendizaje supervisado para los problemas clásicos de clasificación y regresión. AC1
 BC7
BC11
 CC6
Conocer y ser capaz de implementar algoritmos sencillos y característicos de los paradigmas más importantes de aprendizaje supervisado. AC2
AC12
 BC2
BC18
 CC5
Saber aplicar correctamente las técnicas de aprendizaje automático de clasificación y regresión para obtener resultados fiables y significativos. AC2
 BC4
 CC2

Contents
Topic Sub-topic
Tema 1: Fundamentos da aprendizaxe automática - Características dos sistemas de aprendizaxe.
- Tipos de aprendizaxe.
- Areas de aplicación e tipos de problemas.
- Capacidade de xeneralización e sobreaxuste.
- Preparación e limpeza dos datos.
Tema 2: Modelos lineais de aprendizaxe supervisada - Algoritmos de regresión lineal.
- Algoritmos de clasificación lineal.
Tema 3: Modelos non lineais de aprendizaxe supervisada - K veciños máis próximos.
- Árbores de decisión.
- Redes de neuronas artificiais.
- Modelos baseados en kernels: máquinas de vectores soporte.
- Mestura de expertos.
- Aproximacións para problemas multiclase.
Tema 4: Funcións e medidas de erro - Métricas de erro para os problemas de clasificación.
- Métricas de erro para os problemas de regresión.
Tema 5: Metodoloxía de entrenamento, avaliación e selección de modelos - Deseño experimental.
- Técnicas de validación para a estimación non sesgada do erro.
- Métodos para a selección de modelos e análise de resultados.

Planning
Methodologies / tests Competencies Ordinary class hours Student’s personal work hours Total hours
Guest lecture / keynote speech B7 B11 7 14 21
Laboratory practice A1 A2 A12 B2 10 15 25
Supervised projects B4 B7 B18 C2 C5 C6 0 26 26
Mixed objective/subjective test B11 2 0 2
 
Personalized attention 1 0 1
 
(*)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 Actividade presencial na aula empregada para establecer os conceptos fundamentais da materia. Consiste na exposición oral complementada co uso de medios audiovisuais/multimedia e a realización dalgunhas preguntas dirixidas aos estudantes, co fin de transmitir coñecementos e facilitar a aprendizaxe.
Laboratory practice Desenvolvemento de prácticas no laboratorio de informática. Esta actividade consistirá no estudo de casos e exemplos ademais da realización, por parte dos alumnos, dos exercicios expostos polos profesores.
Supervised projects Realización de traballos/proyectos relacionados con algún dos temas do temario da materia. Os alumnos entregarán, en soporte informático, a memoria do traballo e unha presentación que terá que expor ao profesor. Estes traballos requirirán a asistencia de, polo menos, unha tutoría personalizada para cada grupo.
Mixed objective/subjective test Proba de avaliación que se realizará ao final de curso nas correspondentes convocatorias oficiais. Consistirá nunha proba na que será necesario responder a diferentes cuestións teórico-prácticas.

Personalized attention
Methodologies
Supervised projects
Description
A atención personalizada será necesaria para mostrar os avances do traballo/proyecto proposto e para ofrecer a orientación adecuada e asegurar a calidade do mesmo. Tamén se empregará para a resolución de dúbidas conceptuais e o seguimento da execución dos traballos. Estas tutorías ser realizarán de forma presencial no despacho do profesor.

Assessment
Methodologies Competencies Description Qualification
Mixed objective/subjective test B11 Proba final da materia que consistirá na realización dun exame individual. Esta proba terá preguntas de tipo teóricas e prácticas relacionadas cos conceptos estudados nas clases maxistrais, nas prácticas de laboratorio ou cos contidos dos traballos/proyectos tutelados. 40
Supervised projects B4 B7 B18 C2 C5 C6 Desenvolvemento dun proxecto aplicado, individual ou en grupo reducido. Será necesario entregar os materiais (documento e presentación) en tempo e forma seguindo as indicacións do reto plantexado no enunciado. Ademais, requirirá a exposición oral por parte de todos os integrantes do grupo de traballo, empregando para iso a presentación entregada. Terase en conta para a avaliación desta actividade a memoria e a presentación entregada así como as contestacións ás preguntas do profesor durante a presentación obrigatoria. A non realización da presentación suporá unha nota de cero nesta actividade. 50
Laboratory practice A1 A2 A12 B2 Consistirá na recompilación de exercicios realizados nas prácticas de laboratorio durante o curso. Estes exercicios deberán realizarse no tempo asignado ás clases prácticas e entregaranse ao final das mesmas. Durante a realización destes exercicios, o alumno pode expor dúbidas ao profesor ou consultar os materiais que estime oportuno. Por tanto, esta actividade avaliará o traballo diario do alumno nas clases prácticas. 10
 
Assessment comments

Para poder aprobar a materia o estudante deberá cumprir os seguintes requisitos (puntuación entre 0 e 10 en todas as actividades):

- Lograr unha nota superior ou igual a 3,5 na proba mixta final realizada ao final do cuadrimestre.

- Lograr unha nota superior ou igual a 5 ao realizar a suma de todas as probas de avaliación.

Notas sobre as actividades:

- Todas as actividades terán unha única oportunidade para a súa entrega durante o curso académico, salvo a proba obxectiva final que terá dúas oportunidades oficiais de exame.

Sources of information
Basic 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

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


Recommendations
Subjects that it is recommended to have taken before

Subjects that are recommended to be taken simultaneously
Introduction to Python for Engineers/770538011

Subjects that continue the syllabus
Machine Learning II/770538017

Other comments

Para o desenvolvemento da parte práctica da materia, é moi recomendable ter coñecementos básicos previos da linguaxe de programación Python ou cursar ao mesmo tempo o materia Python para Enxeñeiros que se imparte no máster.

Para axudar a conseguir unha contorna inmediata sustentable e cumprir co obxectivo da acción número 5: "Docencia e investigación saudable e sustentable ambiental e social" do "Plan de Acción Green Campus Ferrol" a entrega dos traballos documentais que se realicen nesta materia:

1. Solicitarase en formato virtual e/ou soporte informático

2. Realizarase a través de Moodle, en formato dixital sen necesidade de imprimilos

3. De se realizar en papel:

- Non se empregarán plásticos.

- Realizaranse impresións a dobre cara.

- Empregarase papel reciclado.

- Evitarase a impresión de borradores.


(*)The teaching guide is the document in which the URV publishes the information about all its courses. It is a public document and cannot be modified. Only in exceptional cases can it be revised by the competent agent or duly revised so that it is in line with current legislation.