| 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 |
| B3 | CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios |
| 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 |
| B6 | CG1 - Buscar y seleccionar alternativas considerando las mejores soluciones posibles |
| B13 | CG8 - Aplicar los conocimientos teóricos a la práctica |
| B16 | CG11 - Valorar la aplicación de tecnologías emergentes en el ámbito de la industria y la robótica |
| C2 | CT02 - Fomentar la sensibilidad hacia temas sociales y/o medioambientales |
| C4 | CT04 - Desarrollar el pensamiento crítico |
| C6 | CT06 - Dominar la expresión y la comprensión de un idioma extranjero |
| Resultados de aprendizaxe | |||
| Resultados de aprendizaxe | Competencias do título | ||
| Coñecer as técnicas máis representativas de aprendizaxe para os problemas clásicos de agrupación e aprendizaxe por reforzo | AM1 |
BM16 |
CM4 |
| Coñecer e ser capaz de implementar algoritmos sinxelos e característicos das paradigmas máis importantes de aprendizaxe non supervisada e por reforzo. | AM2 AM12 |
BM3 BM13 |
|
| Coñecer as técnicas máis representativas para a redución da dimensión. | AM1 |
BM16 |
CM4 |
| Saber aplicar correctamente os métodos de aprendizaxe automática non supervisados, por reforzo e de redución da dimensión para obter resultados fiables e significativos. | BM4 BM6 |
CM2 CM6 |
|
| Contidos |
| Temas | Subtemas |
| Tema 1: Redución da dimensión | - A maldición da dimensión. - Técnicas de selección de características. - Técnicas de extracción de características. |
| Tema 2: Aprendizaxe non supervisada | - Métodos de agrupamiento (clustering). - Métodos de detección de anomalías. |
| Tema 3: Aprendizaxe por reforzo e control. | - Procesos de decisión de Markov. - Métodos Monte Carlo. - Métodos de diferenza temporal. |
| Planificación | ||||
| Metodoloxías / probas | Competencias | Horas presenciais | Horas non presenciais / traballo autónomo | Horas totais |
| Sesión maxistral | B3 B16 | 7 | 14 | 21 |
| Prácticas de laboratorio | A1 A2 A12 B13 | 10 | 15 | 25 |
| Traballos tutelados | B3 B4 B6 C2 C4 C6 | 0 | 26 | 26 |
| Proba mixta | B6 | 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 |
|
|
| Avaliación | |||
| Metodoloxías | Competencias | Descrición | Cualificación |
| Traballos tutelados | B3 B4 B6 C2 C4 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 |
| Proba mixta | B6 | 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 |
| Prácticas de laboratorio | A1 A2 A12 B13 | 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
Richard S. Sutton, Andrew G. Barto (2018). Reinforcement Learning: An Introduction (2ª edición). The MIT Press |
|
|
|
| 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 | |
|
| Materias que continúan o temario |
| 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 as materias Python para Enxeñeiros que se imparten 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. |