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.

Evaluación en el caso de la convocatoria adelantada:

En el caso de que el estudiante solicite y se presente a la convocatoria adelantada, el 50% de su nota será el examen final y el otro 50% el trabajo tutelado. El trabajo tutelado deberá ser entregado como fecha límite una semana antes de la fecha del examen oficial en la convocatoria adelantada. Para poder aprobar la materia el estudiante deberá cumplir los requisitos mencionados anteriormente.

Régimen de dispensa académica:

Como se indica en la normativa vigente, los estudiantes que tengan concedida la dispensa académica tienen el derecho a que se les exima de la asistencia a clase. En todo caso, serán evaluados por el sistema de evaluación continua indicado en esta guía docente con la misma ponderación que el resto de estudiantes. La realización de los trabajos y las prácticas de evaluación continua se podrán realizar de forma autónoma y entregar en los plazos establecidos por el profesor.

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

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. - Metodologías para proyectos de análisis de datos.
Tema 2: Modelos lineales de aprendizaje supervisado	- Algoritmos de regresión lineal. - Algoritmos de clasificación lineal.
Tema 3: Funciones y medidas de error	- Métricas de error para los problemas de clasificación. - Métricas de error para los problemas de regresión.
Tema 4: Metodología para el análisis de resultados	- Métodos de estimación del error. - Métodos de comparación de dos modelos. - Métodos de comparación de múltiples modelos.
Tema 5: Modelos no lineales de aprendizaje supervisado	- K vecinos más cercanos. - Árboles de decisión y bosques aleatorios (random forest). - Modelos basados en kernels: máquinas de vectores soporte. - Redes de neuronas artificiales. - Aprendizaje profundo (deep learning) con redes de neuronas convolucionales.

Metodologías / pruebas	Competéncias	Horas presenciales	Horas no presenciales / trabajo autónomo	Horas totales
Sesión magistral	B7 B11	11	11	22
Prácticas de laboratorio	A1 A2 A12 B2	10	15	25
Trabajos tutelados	B4 B7 B18 C2 C5 C6	0	25	25
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	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.

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. Evaluación en el caso de la convocatoria adelantada: En el caso de que el estudiante solicite y se presente a la convocatoria adelantada, el 50% de su nota será el examen final y el otro 50% el trabajo tutelado. El trabajo tutelado deberá ser entregado como fecha límite una semana antes de la fecha del examen oficial en la convocatoria adelantada. Para poder aprobar la materia el estudiante deberá cumplir los requisitos mencionados anteriormente. Régimen de dispensa académica: Como se indica en la normativa vigente, los estudiantes que tengan concedida la dispensa académica tienen el derecho a que se les exima de la asistencia a clase. En todo caso, serán evaluados por el sistema de evaluación continua indicado en esta guía docente con la misma ponderación que el resto de estudiantes. La realización de los trabajos y las prácticas de evaluación continua se podrán realizar de forma autónoma y entregar en los plazos establecidos por el profesor.

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	Aston Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola (2021). Dive in Deep Learning. Free eBook (Disponible en: http://d2l.ai) Andreas C. Müller, Sarah Guido (2016). Introduction to Machine Learning with Python. O'Reilly