Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Titorías: 3 Clase Expositiva: 24 Clase Interactiva: 24 Total: 51
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Grao RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación
Áreas: Ciencia da Computación e Intelixencia Artificial
Centro Escola Politécnica Superior de Enxeñaría
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable
Coñecer as técnicas de aprendizaxe supervisada (para regresión e clasificación, especialmente redes neuronais, aprendizaxe profunda, máquinas de vectores de soporte e ensambles) e non supervisado (especialmente agrupamento, selección de características e redución de dimensionalidade), xunto coa capacidade de aplicalas na implementación de controladores de calquera tipo de robot.
Introdución á aprendizaxe automática. Árbores de decisión. Selección de características e redución da dimensionalidade. Regresión lineal e métodos de clasificación. Redes neuronais e aprendizaxe profunda. Agrupación: kmeas, agrupación xerárquica. Soporte de máquinas vectoriais. Conxuntos
Estes contidos estruturaranse no seguinte programa da materia:
Contidos teóricos (24 horas de actividades presenciais e 24 horas de traballo persoal do alumno)
Tema 1 - Introdución á aprendizaxe automática (1 hora presencial + 1 hora de traballo non presencial)
Tema 2 - Árbores de decisión ID3 e C4.5. Normas de decisión. (2 horas + 2 horas)
Tema 3 - Avaliación e aspectos metodolóxicos. Metodoloxía de análise de datos. Selección e transformación de datos. Redución da dimensionalidade. Análise de compoñentes principais. Avaliación do modelo. Afinación de hiperparámetros. (3 horas + 3 horas)
Tema 4 - Regresión e árbores de regresión. Regresión lineal. Descenso en gradiente. Árbores de regresión: M5 (2 horas + 2 horas)
Tema 5 - Redes neuronais e aprendizaxe profunda. perceptron simple. Adaline. perceptrón multicapa. algoritmo de retropropagación. Desvanecemento do degradado. Redes neuronais profundas. Aplicacións. (2 horas + 2 horas)
Tema 6 - Aprendizaxe bayesiana. Clasificador de Bayes inxenuo. (2 horas + 2 horas)
Tema 7 - Aprendizaxe baseada en instancias. K Veciño máis próximo (K-NN). K-NN ponderado por distancia. árbores KD. Selección de instancias. Substitución de instancias. LVQ. Redes autoorganizadas. Razonamento baseado en casos. (2 horas + 2 horas)
Tema 8 - Aprendizaxe non supervisada. Grupo. Métodos non paramétricos (baseados en rexións voronoi e aglomerativos/xerárquicos). Algoritmo de Lloyd ou K-means. é dicir. Dendrogramas. (2 horas + 2 horas)
Tema 9 - Conxuntos de clasificadores (boosting, ensacado, apilado). Bosque aleatorio. Árbores extremadamente aleatorias. AdaBoost. Aumento do gradiente. Normas da Asociación (2 horas + 2 horas)
Tema 10 - Programación lóxica indutiva. Algoritmo FOIL. (2 horas + 2 horas)
Tema 11 - Aprendizaxe relacional. S-CART: Clasificación estrutural e árbores de regresión. Aproximacións a Distancia. Aprendizaxe de reforzo relacional. (2 horas + 2 horas)
Tema 12 - Aprendizaxe na resolución de problemas. STRIPS. Aprendizaxe de macrooperadores na planificación. (2 horas + 2 horas)
Os contidos teóricos traballaranse nas sesións interactivas de dúas formas: a través de tutoriales, e a través de prácticas. Os tutoriales estarán relacionadas co uso de ferramentas e técnicas de Machine Learning; As prácticas estarán relacionadas coa construción de aplicacións prácticas que requiran a representación de coñecementos para a análise, deseño e implantación de solucións informáticas en contornas intelixentes baseadas na aprendizaxe automática. Estes contidos prácticos estruturaranse do seguinte xeito:
Contidos prácticos (24 horas de traballo presencial + 48 horas de traballo non presencial):
Os contidos prácticos dividiranse en titoriais orientados (10 horas + 20 horas) e dúas prácticas (14 horas + 28 horas).
Bibliografía básica:
- Machine Learning. Tom mitchell. Publisher: McGraw Hill, 1997
- Artificial Intelligence: A Modern Approach. Stuart J. Russell, Peter Norvig. 4th Edition. Prentice Hall, 2020.
Bibliografía complementaria:
- Deep Learning. Aaron Courville, Ian Goodfellow, and Yoshua Bengio. MIT Press, 2016.
- Pattern Recognition and Machine Learning. Christopher M. Bishop. Springer, 2006.
O alumno que supere o curso con éxito será capaz de:
Coñecementos:
Con54. Discutir técnicas de aprendizaxe supervisada e non supervisada.
Habilidade:
H/D59. Aplicar técnicas de aprendizaxe automática na implantación de controladores de calquera tipo de robot.
Competencia:
Comp14. Coñecer as técnicas de intelixencia artificial empregadas na robótica industrial e de servizos, saber utilizalas en aplicacións robóticas fixas e móbiles.
Comp15. Utilizar e implementar métodos de aprendizaxe computacional na análise de datos sensoriais e para a toma de decisións en sistemas robóticos.
Comp19. Comprender e saber programar as técnicas de análise, procesamento, detección, recoñecemento e seguimento de patróns nos distintos tipos de sinais procedentes de distintos sensores e cámaras dentro do contorno dun robot.
Os contidos da materia impartiranse tanto en clases expositivas de teoría como en clases interactivas de prácticas. Ambos os tipos de clases iranse alternando ao longo do semestre, de tal modo que as prácticas afianzarán os conceptos mostrados en teoría.
As clases de teoría expositivas desenvolveranse na aula por parte do profesorado, apoiado por medios electrónicos (presentacións electrónicas, vídeos, documentos técnicos complementarios...) dispoñibles no Campus Virtual da USC. Ditas clases seguirán os contidos pormenorizados da materia que aparezan reflectidos na programación docente anual. As presentacións maxistrais do profesor combinaranse coa proposta de exercicios específicos para afianzar os conceptos presentados. Estes exercicios serán resoltos polos alumnos (en clase ou en casa) para despois ser corrixidos en clase dunha maneira participativa.
A docencia das prácticas, realizadas en grupos reducidos de 20 alumnos e de carácter interactivo, serán actividades complementarias ás clases teóricas expositivas. Serán desenvoltas en laboratorios de robótica con robots reais e en clases de informática baixo a supervisión do profesorado. Os alumnos seguirán de maneira autónoma os guións das prácticas específicas dispoñibles no Campus Virtual da USC. Estas actividades non só permitirán ao alumnado a comprensión dos conceptos teóricos mediante a súa posta en práctica senón que tamén lles permitirán a adquisición de habilidades necesarias para aplicar algoritmos de aprendizaxe automática no seu futuro profesional.
Así mesmo, nas titorías atenderase ao alumnado para discutir, comentar, aclarar ou resolver cuestións concretas en relación coas súas tarefas dentro da materia (recompilación de información, preparación de probas de avaliación, prácticas, traballos...). Estas titorías serán tanto presenciais como virtuais a través de correo electrónico, campus virtual ou a plataforma Microsoft Teams.
A avaliación do curso realizarase de maneira integral, combinando unha avaliación continua (40%) e unha proba final (60%). A avaliación continua permitirá valorar competencias relacionadas co coñecemento (Con54) e as destrezas (H/D59), a través de prácticas de laboratorio e traballos que fomenten a creatividade. A proba final avaliará competencias de coñecemento e técnicas (Comp14 - Comp15 - Comp19), a través de exercicios teóricos e prácticos que integren os coñecementos adquiridos. Para aprobar o curso, o estudante debe obter unha cualificación global ponderada igual ou superior a 5 puntos (sobre 10) e unha cualificación mínima de 4 puntos (sobre 10) na proba final.
O alumno recibirá a cualificación de " non presentado" cando non faga o exame final.
Para os casos de realización fraudulenta de exercicios ou probas será de aplicación o establecido na “Normativa de avaliación do rendemento académico dous estudantes e de revisión dás cualificacións”
A asistencia ás clases tanto teóricias como prácticas será obrigatoria, salvo por causa xusta. Os estudantes que teñan concedida a dispensa de asistencia pola Comisión de Título segundo o disposto no Regulamento de asistencia a clase, o sistema de avaliación será o mesmo: non terán obrigación de asistir ás clases teóricas, pero mantense a obrigación de asistencia ás prácticas de laboratorio.
Avaliación de segunda oportunidade: Os alumnos poderán entregar en data previa o exame da segunda oportunidade, aquelas actividades que lle expoña o profesor, correspondentes a aquelas que non superasen na convocatoria anterior. Poderá haber unha defensa de traballos co profesor. Por outra banda, haberá un exame de segunda oportunidade, en consonancia co que sucede na primeira oportunidade e cuxo peso na cualificación final é o mesmo.
Avaliación de repetidores: os alumnos repetidores serán avaliados do mesmo xeito que os alumnos da primeira oportunidade.
A materia ten unha carga de traballo de 6 ECTS dividida da seguinte forma:
- 1. Traballo na aula (60 horas presenciais)
- 1.1. Clases expositivas teóricas (en grupo grande): 24 horas
- 1.2. Prácticas (con pequenos grupos): 24 horas
- 1.3. Titorías de grupo: 3 horas
- 1.4. Titorías individualizadas: 4 horas
- 1.5. Actividades de avaliación: 5 horas
- 2. Traballo persoal do alumnado (90 horas non presenciais)
- 2.1. Lectura, revisión de temas e exercicios de teoría: 24 horas
- 2.2. Preparación de exercicios e informes de prácticas: 48 horas
- 2.3. Preparación de titorías de grupo: 4 horas
- 2.4. Preparación de titorías individualizadas: 7 horas
- 2.5. Preparación de probas de avaliación: 7 horas
Debido á alta correlación existente entre os conceptos desenvolvidos nas clases de teoría e os contidos das prácticas, recoméndase aos alumnos constancia no estudo da materia, acudindo ás sesións de prácticas cos conceptos teóricos revisados e os exercicios resoltos. A realización das prácticas axudará ao afianzamento dos conceptos teóricos e á súa utilización en situacións reais.
Francisco Javier Garcia Polo
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Correo electrónico
- franciscojavier.garcia.polo [at] usc.es
- Categoría
- Profesor/a: Titular de Universidade