Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Tutorías: 1 Clase Expositiva: 21 Clase Interactiva: 21 Total: 43
Lenguas de uso Inglés
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica y Computación, Departamento externo vinculado a las titulaciones
Áreas: Ciencia de la Computación e Inteligencia Artificial, Área externa M.U en Intelixencia Artificial
Centro Escuela Técnica Superior de Ingeniería
Convocatoria: Primer semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
La asignatura introduce al estudiante en la extracción, evaluación y análisis de información presente en la Web mediante el uso de tecnologías que interpretan la semántica subyacente al formato de sus contenidos. En este contexto, se le capacitará en su explotación como fuente global de datos, independientemente de cuál sea su localización y el dispositivo o plataforma de acceso, tanto si están expresados en lenguaje natural como en lenguajes directamente interpretables por agentes inteligentes. Se trata en definitiva de facilitar el acceso, compartición e integración de información entre usuarios Web.
1. Aprendizaje supervisado: Introducción al aprendizaje, Redes neuronales artificiales, Máquinas de vectores de soporte, Árboles de decisión, Regresión, Aprendizaje basado en instancias
2. Modelado de conjuntos: modelado de conjuntos básico y avanzado
3. Preprocesamiento, evaluación y regularización: Preprocesamiento de datos. Creación y evaluación de modelos, Complejidad y Regularización.
4. Aprendizaje no supervisado: agrupamiento, redes neuronales no supervisadas
5. Aprendizaje por refuerzo: procesos de decisión de Markov, aprendizaje por refuerzo
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 Y GENERALES
CG2 - Abordar con éxito todas las etapas de un proyecto de Inteligencia Artificial.
CG3 - Buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo.
CG4 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables en el campo.
CG5 - Trabajar en equipo, especialmente de carácter multidisciplinar, y ser hábiles en la gestión del tiempo, personas y toma de decisiones.
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
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
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
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
TRANSVERSALES
CT3 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida.
CT4 - Desarrollarse para el ejercicio de una ciudadanía respetuosa con la cultura democrática, los derechos humanos y la perspectiva de género.
CT7 - Desarrollar la capacidad de trabajar en equipos interdisciplinares o transdisciplinares, para ofrecer propuestas que contribuyan a un desarrollo sostenible ambiental, económico, político y social.
CT8 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad.
CT9 - Tener la capacidad de gestionar tiempos y recursos: desarrollar planes, priorizar actividades, identificar las críticas, establecer plazos y cumplirlos.
ESPECÍFICAS
CE10 - Capacidad para la construcción, validación y aplicación de un modelo estocástico de un sistema real a partir de los datos observados y el análisis crítico de los resultados obtenidos.
CE11 - ¿Comprensión y dominio de las principales técnicas y herramientas de análisis de datos, tanto desde el punto de vista estadístico como del aprendizaje automático, incluyendo las dedicadas al tratamiento de grandes volúmenes de datos, y capacidad para seleccionar las más adecuadas para la resolución de problemas.
CE12 - Capacidad para plantear, formular y resolver todas las etapas de un proyecto de datos, incluyendo la compresión y dominio de fundamentos y técnicas básicas para la búsqueda y el filtrado de información en grandes colecciones de datos.
CE15 - Conocimiento de las herramientas informáticas en el campo del aprendizaje automático, y capacidad para seleccionar la más adecuada para la resolución de un problema.
La metodología Incluye el Método expositivo / lección magistral, prácticas de laboratorio, y aprendizaje basado en problemas. Se llevará a cabo con las siguientes actividades formativas:
1) Aprendizaje basado en problemas : se trata de sesiones cuyo objetivo es que el alumnado adquiera determinadas competencias en base a la resolución de ejercicios, y realización de proyectos que requieran al alumno la aplicación de los conocimientos y competencias desarrolladas durante la asignatura. Estas sesiones pueden requerir del alumno la presentación oral de su solución a los problemas planteados. Los trabajos realizados por el alumnado se pueden realizar en grupos de trabajo.
2) Clases de teoría: Exposición oral complementada con el uso de medios audiovisuales y la introducción de algunas preguntas dirigidas a los estudiantes, con la finalidad de transmitir conocimientos y facilitar el aprendizaje. Además del tiempo de exposición oral por parte del profesor, esta actividad formativa requiere del alumno la dedicación de un tiempo para preparar y revisar por cuenta propia los materiales objeto de la clase.
3) Clases prácticas de laboratorio: clases dedicadas a que el alumnado desarrolle trabajos prácticos que impliquen abordar la resolución de problemas complejos, y el análisis y diseño de soluciones que constituyan un medio para su resolución. Esta actividad puede requerir de los alumnos la presentación oral de los trabajos realizados. Los trabajos realizados por el alumnado se pueden realizar en grupos de trabajo.
Se realizará una evaluación continua como parte de la práctica de laboratorio; mientras que la evaluación sumativa cubrirá la realización de un proyecto tutelado y un examen final.
1. Práctica de laboratorio: se centra en la resolución de problemas, mediante una adecuada aplicación de las técnicas de IA explicadas teóricamente. Los problemas se agruparán en cuatro tareas, que deberán resolverse por parejas. Los trabajos propuestos estimularán el pensamiento crítico en la solución de problemas. Los cuatro trabajos se evalúan con una ponderación del 20% de la nota final .
2. Proyectos supervisados: los estudiantes trabajarán en grupos (por ejemplo, 4 personas) para resolver un problema de clasificación o predicción. El proyecto consistirá en la implementación y redacción de un informe sobre la resolución del problema seleccionado. El informe incluirá una revisión bibliográfica de los trabajos relacionados más importantes, deberá estar escrito en inglés (documentación sobre el problema a resolver, metodología utilizada y comparación de los resultados encontrados en la aplicación de las diferentes técnicas, así como una evaluación crítica tanto de los resultados obtenidos como de la información utilizada). El proyecto se evalúa con una ponderación del 30% de la nota final.
3. Examen final: preguntas de prueba sobre los contenidos de la asignatura, basados en las diferentes técnicas de aprendizaje automático y sus aplicaciones. El examen se evaluará con una ponderación del 50% de la nota final.
Los alumnos deberán alcanzar al menos el 40% de la nota máxima de cada parte (teoría, práctica) y en todo caso la suma de ambas partes deberá ser superior a 5 para aprobar la asignatura. Si no se cumple alguno de los requisitos anteriores, la nota de la convocatoria se establecerá en función de la nota más baja obtenida.
Las entregas de las prácticas deberán realizarse en el plazo establecido en el campus virtual y deberán seguir las especificaciones indicadas en el pliego tanto para su presentación como para su defensa. El alumno tendrá la condición de "Presentado" si se presenta a la prueba teórica en el periodo oficial de evaluación.
Segunda oportunidad: La evaluación se realizará con los mismos criterios descritos anteriormente , y se abrirá un nuevo plazo para la entrega de los trabajos prácticos.
En el caso de realización fraudulenta de ejercicios o pruebas, se aplicará la Normativa de evaluación del rendimiento académico de los alumnos y revisión de calificaciones. En aplicación de la normativa correspondiente sobre plagio, la copia total o parcial de cualquier ejercicio de práctica o teoría se evaluará con una nota de 0.
A1: Clases de teoría: 21 horas presenciales, 42 horas en total de dedicación.
A2: Clases prácticas de laboratorio: 14 horas presenciales, 60 horas en total de dedicación.
A3: Aprendizaje basado en problemas, seminarios, estudio de casos y proyectos: 7 horas presenciales, 48 horas en total de dedicación.
Se recomienda el estudio semanal de la materia
Nelly Condori Fernandez
Coordinador/a- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Correo electrónico
- n.condori.fernandez [at] usc.es
- Categoría
- Profesor/a: Profesor Ayudante Doctor 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 /CLE_01 | IA.02 |
13.01.2025 16:00-20:00 | Grupo /CLIL_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 |