Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 21 Clase Interactiva: 21 Total: 43
Linguas de uso Inglés
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación, Departamento externo vinculado ás titulacións
Áreas: Ciencia da Computación e Intelixencia Artificial, Área externa M.U en Intelixencia Artificial
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
A materia introduce ao estudante na extracción, avaliación e análise de información presente na Web mediante o uso de tecnoloxías que interpretan a semántica subxacente ao formato dos seus contidos. Neste contexto, capacitaráselle na súa explotación como fonte global de datos, independentemente de cal sexa a súa localización e o dispositivo ou plataforma de acceso, tanto se están expresados en linguaxe natural como en linguaxes directamente interpretables por axentes intelixentes. Trátase en definitiva de facilitar o acceso, compartición e integración de información entre usuarios Web.
1. Aprendizaxe supervisada: Introdución á aprendizaxe, Redes neuronais artificiais, Máquinas vectoriais de apoio, Árbores de decisión, Regresión, Aprendizaxe baseada en instancias
2. Modelado de conxuntos: modelado de conxuntos básico e avanzado
3. Pretratamento, avaliación e regularización: Preprocesamento de datos. Creación e avaliación de modelos, Complexidade e Regularización.
4. Aprendizaxe non supervisada: agrupación, redes neuronais non supervisadas
5. Aprendizaxe por reforzo: procesos de decisión de Markov, Aprendizaxe por reforzo
Basica:
• Ethem Alpaydin (2004). Introduction to Machine Learning. MIT Press
• T.M. Mitchell (1997). Machine Learning. McGraw Hill
• Richard Sutton, Andrew Barto (2018). Reinforcement Learning. Second Edition. MIT Press
Complementaria:
• Andrew Webb (2002). Statistical Pattern Recognition. Wiley
• D. Borrajo, J. González, P. Isasi (2006). Aprendizaje automático. Sanz y Torres.
• Basilio Sierra Araujo (2006). Aprendizaje automático: conceptos básicos y avanzados. Aspectos prácticos utilizando el software WEKA. Pearson Education
• Saso Dzeroski, Nada Lavrac (2001). Relational Data Mining. Springer.
• David Aha (1997). Lazy Learning. Kluwer Academics Publishers
BÁSICAS E XENERAIS
CG2 - Abordar con éxito todas as etapas dun proxecto de Intelixencia Artificial.
CG3 - Buscar e seleccionar a información útil necesaria para resolver problemas complexos, manexando con soltura as fontes bibliográficas do campo.
CG4 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables no campo.
CG5 - Traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións.
CB6 - Posuír e comprender coñecementos que acheguen unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en contornas novas ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo
CB8 - Que os estudantes sexan capaces de integrar coñecementos e enfrontarse á complexidade de formular xuízos a partir dunha información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociais e éticas vinculadas á aplicación dos seus coñecementos e xuízos
CB9 - Que os estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos especializados e non especializados dun modo claro e sen ambigüidades
TRANSVERSAIS
CT3 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida.
CT4 - Desenvolverse para o exercicio dunha cidadanía respectuosa coa cultura democrática, os dereitos humanos e a perspectiva de xénero.
CT7 - Desenvolver a capacidade de traballar en equipos interdisciplinares ou transdisciplinares, para ofrecer propostas que contribúan a un desenvolvemento sostible ambiental, económico, político e social.
CT8 - Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade.
CT9 - Ter a capacidade de xestionar tempos e recursos: desenvolver plans, priorizar actividades, identificar as críticas, establecer prazos e cumprilos.
ESPECÍFICAS
CE10 - Capacidade para a construción, validación e aplicación dun modelo estocástico dun sistema real a partir dos datos observados e a análise crítica dos resultados obtidos.
CE11 - Comprensión e dominio das principais técnicas e ferramentas de análises de datos, tanto desde o punto de vista estatístico como da aprendizaxe automática, incluíndo as dedicadas ao tratamento de grandes volumes de datos, e capacidade para seleccionar as máis adecuadas para a resolución de problemas.
CE12 - Capacidade para expor, formular e resolver todas as etapas dun proxecto de datos, incluíndo a compresión e dominio de fundamentos e técnicas básicas para a procura e o filtrado de información en grandes coleccións de datos.
CE15 - Coñecemento das ferramentas informáticas no campo da aprendizaxe automática, e capacidade para seleccionar a máis adecuada para a resolución dun problema.
A metodoloxía Inclúe o Método expositivo / lección maxistral, prácticas de laboratorio, e aprendizaxe baseada en problemas. levará a cabo coas seguintes actividades formativas:
1) Aprendizaxe baseada en problemas: trátase de sesións cuxo obxectivo é que o alumnado adquira determinadas competencias en base á resolución de exercicios, e realización de proxectos que requiran ao alumno a aplicación dos coñecementos e competencias desenvolvidas durante a materia. Estas sesións poden requirir do alumno a presentación oral da súa solución aos problemas expostos. Os traballos realizados polo alumnado pódense realizar en grupos de traballo.
2) Clases de teoría: Exposición oral complementada co uso de medios audiovisuais e a introdución dalgunhas preguntas dirixidas aos estudantes, coa finalidade de transmitir coñecementos e facilitar a aprendizaxe. Ademais do tempo de exposición oral por parte do profesor, esta actividade formativa require do alumno a dedicación dun tempo para preparar e revisar por conta propia o materiais obxecto da clase.
3) Clases prácticas de laboratorio: clases dedicadas a que o alumnado desenvolva traballos prácticos que impliquen abordar a resolución de problemas complexos, e a análise e deseño de solucións que constitúan un medio para a súa resolución. Esta actividade pode requirir dos alumnos a presentación oral dos traballos realizados. Os traballos realizados polo alumnado pódense realizar en grupos de traballo.
Realizarase unha avaliación continua como parte da práctica de laboratorio; mentres que a avaliación sumativa abranguerá a realización dun proxecto tutelado e un exame final.
1. Práctica de laboratorio: céntrase na resolución de problemas, mediante unha aplicación adecuada das técnicas de IA explicadas na teoría. Os problemas agruparanse en catro traballos, que deberán resolverse por parellas. Os traballos propostos estimularán o pensamento crítico na resolución de problemas. Os catro traballos avalíanse cunha ponderación do 20% da nota final .
2. Proxectos tutelados: os alumnos traballarán en grupos (p. ex., 4 persoas) para resolver un problema de clasificación ou predición. O proxecto consistirá na realización e redacción dun informe sobre a resolución do problema seleccionado. O informe incluirá unha revisión bibliográfica dos traballos relacionados máis importantes, debe estar redactado en inglés (documentación sobre o problema a resolver, metodoloxía empregada, e comparación dos resultados atopados na aplicación das diferentes técnicas, así como un avaliación crítica tanto dos resultados obtidos como da información utilizada). O proxecto avalíase cunha ponderación do 30% da nota final.
3. Exame final: t est preguntas sobre os contidos do curso, baseadas nas diferentes técnicas de aprendizaxe automática e as súas aplicacións. O exame avaliarase cunha ponderación do 50% da nota final.
O alumnado deberá acadar polo menos o 40% da nota máxima de cada parte (teoría, práctica) e, en todo caso, a suma de ambas partes deberá ser superior a 5 para superar a materia. De non cumprirse algún dos requisitos anteriores, a cualificación da convocatoria establecerase en función da nota máis baixa obtida.
As entregas das prácticas deberán realizarse no prazo establecido no campus virtual e deberán seguir as especificacións sinaladas no escrito tanto para a súa presentación como para a súa defensa. Os alumnos terán a condición de "Presentado" se asisten á proba teórica no período oficial de avaliación.
Segunda oportunidade: A avaliación realizarase cos mesmos criterios descritos anteriormente , e abrirase un novo prazo para a entrega dos traballos prácticos.
No caso de realización fraudulenta de exercicios ou probas, aplicarase o Regulamento de avaliación do rendemento académico do alumnado e revisión de cualificacións. En aplicación da normativa correspondente en materia de plaxio, a copia total ou parcial de calquera exercicio práctico ou teórico avaliarase cunha cualificación de 0.
A1: Clases de teoría: 21 horas presenciais, 42 horas en total de dedicación.
A2: Clases prácticas de laboratorio: 14 horas presenciais, 60 horas en total de dedicación.
A3: Aprendizaxe baseada en problemas, seminarios, estudo de casos e proxectos: 7 horas presenciais, 48 horas en total de dedicación.
Recoméndase estudo semanal da materia.
Nelly Condori Fernandez
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Correo electrónico
- n.condori.fernandez [at] usc.es
- Categoría
- Profesor/a: Profesor Axudante Doutor LOU
| Martes | |||
|---|---|---|---|
| 17:00-18:30 | Grupo /CLIL_01 | Inglés | IA.02 |
| 18:30-20:00 | Grupo /CLE_01 | Inglés | IA.02 |
| 13.01.2025 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 13.01.2025 16:00-20:00 | Grupo /CLE_01 | IA.02 |
| 19.06.2025 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 19.06.2025 16:00-20:00 | Grupo /CLE_01 | IA.02 |