Datos Identificativos 2020/21
Asignatura (*) Aprendizaxe Automática I Código 770538016
Titulación
Máster Universitario en Informática Industrial e Robótica
Descriptores Ciclo Período Curso Tipo Créditos
Mestrado Oficial 2º cuadrimestre
 Primeiro Optativa 3
Idioma
Castelán
Modalidade docente Presencial
Prerrequisitos
Departamento Ciencias da Computación e Tecnoloxías da Información
Coordinación
Fontenla Romero, Oscar
 Correo electrónico
oscar.fontenla@udc.es
Profesorado
Fontenla Romero, Oscar
 Correo electrónico
oscar.fontenla@udc.es
Web http://moodle.udc.es
Descrición xeral 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 continxencia 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 do título
Código Competencias do 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 aprendizaxe
Resultados de aprendizaxe Competencias do 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

Contidos
Temas Subtemas
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.

Planificación
Metodoloxías / probas Competencias Horas presenciais Horas non presenciais / traballo autónomo Horas totais
Sesión maxistral B7 B11 7 14 21
Prácticas de laboratorio A1 A2 A12 B2 10 15 25
Traballos tutelados B4 B7 B18 C2 C5 C6 0 26 26
Proba mixta B11 2 0 2
 
Atención personalizada 1 0 1
 
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado

Metodoloxías
Metodoloxías Descrición
Sesión maxistral 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.
Prácticas de laboratorio 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.
Traballos tutelados 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.
Proba mixta 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.

Atención personalizada
Metodoloxías
Traballos tutelados
Descrición
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.

Avaliación
Metodoloxías Competencias Descrición Cualificación
Proba mixta 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
Traballos tutelados 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
Prácticas de laboratorio 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
 
Observacións avaliación

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.

Fontes de información
Bibliografía 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

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


Recomendacións
Materias que se recomenda ter cursado previamente

Materias que se recomenda cursar simultaneamente
Python para Enxeñeiros Introdutorio/770538011

Materias que continúan o temario
Aprendizaxe Automática II/770538017

Observacións

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.


(*)A Guía docente é o documento onde se visualiza a proposta académica da UDC. Este documento é público e non se pode modificar, salvo casos excepcionais baixo a revisión do órgano competente dacordo coa normativa vixente que establece o proceso de elaboración de guías