Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Trabajo del Alumno/a ECTS: 99 Horas de Tutorías: 3 Clase Expositiva: 24 Clase Interactiva: 24 Total: 150
Lenguas de uso Castellano, Gallego
Tipo: Materia Ordinaria Grado RD 1393/2007 - 822/2021
Centro Escuela Politécnica Superior de Ingeniería
Convocatoria: Segundo semestre
Docencia: Sin docencia (Extinguida)
Matrícula: No matriculable
Conocer las técnicas de aprendizaje supervisado (para regresión y clasificación, especialmente redes neuronales, aprendizaje profundo, máquinas de vectores de soporte y ensambles) y no supervisado (especialmente agrupamiento, selección de características y reducción de dimensionalidad), junto con la capacidad de aplicarlas en la implementación de controladores de cualquier tipo de robot.
Los contenidos generales indicados en la memoria del grado son: Introducción al aprendizaje automático. Aprendizaje basado en vecinos más cercanos. Métodos lineales de regresión y clasificación. Árboles de decisión. Redes neuronales y aprendizaje profundo. Máquinas de vectores de soporte. Ensambles: boosting, bagging y random forest. Agrupamiento: k-medias, agrupamiento jerárquico. Selección de características y reducción de la dimensionalidad.
Estos contenidos se estructurarán en el siguiente programa de la materia:
Contenidos teóricos (24 horas de actividades presenciales y 24 horas de trabajo personal del estudiante)
Tema 1 - Introducción al aprendizaje automático (1 hora presencial + 1 horas de trabajo no presencial)
Tema 2 - Árboles de decisión ID3 y C4.5. Reglas de decisión. (2 horas + 2 horas)
Tema 3 - Evaluación y aspectos metodológicos. Metodología del análisis de datos. Selección y transformación de datos. Reducción de la dimensionalidad. Principal Component Analysis. Evaluación de modelos. Ajuste de hiperparámetros. (3 horas + 3 horas)
Tema 4 - Regresión y árboles de regresión. Regresión Lineal. Descenso del gradiente. Árboles de regresión: M5 (2 horas + 2 horas)
Tema 5 - Redes de neuronas y aprendizaje profundo. Perceptrón simple. Adaline. Perceptrón multicapa. Algoritmo de retropropagación. Desvanecimiento del gradiente. Redes de neuronas profundas. Aplicaciones. (2 horas + 2 horas)
Tema 6 - Aprendizaje bayesiano. Clasificador Naive Bayes. (2 horas + 2 horas)
Tema 7 - Aprendizaje basado en instancias. K Nearest Neighbour (K-NN). Distance-Weighted K-NN. Árboles KD. Selección de instancias. Reemplazo de instancias. LVQ. Redes Autoorganizadas. Razonamiento basado en casos. (2 horas + 2 horas)
Tema 8 - Aprendizaje no supervisado. Agrupación. Métodos no paramétricos (basados en regiones de voronoi y aglomerativos/jerárquicos). Algoritmo de Lloyd o K-means. X-means. Dendogramas. (2 horas + 2 horas)
Tema 9 - Conjuntos de clasificadores (boosting, bagging, stacking). Random forest. Extremely randomized trees. AdaBoost. Gradient Boosting. Reglas de asociación (2 horas + 2 horas)
Tema 10 - Programación lógica inductiva. Algoritmo de FOIL. (2 horas + 2 horas)
Tema 11 - Aprendizaje relacional. S-CART: Structural Classification and Regression Trees. Aproximaciones Basadas en Distancias. Aprendizaje por refuerzo relacional. (2 horas + 2 horas)
Tema 12 - Aprendizaje en resolución de problemas. STRIPS. Aprendizaje de macro-operadores en planificación. (2 horas + 2 horas)
Los contenidos teóricos se trabajarán en las sesiones interactivas de dos formas: mediante tutoriales, y mediante la realización de prácticas. Los tutoriales estarán relacionados con el uso de herramientas y técnicas de Aprendizaje Automático; las prácticas estarán relacionadas con la construcción de aplicaciones prácticas que requieran la representación de conocimiento para el análisis, diseño e implementación de soluciones informáticas en entornos inteligentes basadas en aprendizaje automático. Estos contenidos prácticos se estructurarán de la siguiente manera:
Contenidos prácticos (24 horas de trabajo presencial + 48 horas de trabajo no presencial):
- Tutorial 1: Introducción a un caso práctico (4 horas de trabajo presencial + 8 horas de trabajo no presencial)
- Tutorial 2: Herramientas de preprocesado de datos y evaluación (2 horas + 4 horas)
- Tutorial 3: Flujos de Conocimiento (2 horas + 4 horas)
- Tutorial 4: Experimentación por lotes (2 horas + 4 horas)
- Práctica 1: Técnicas de clasificación y regresión (6 horas + 12 horas)
- Práctica 2: Aprendizaje basado en instancias y clustering (8 horas + 16 horas)
Bibliografía básica:
- 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.
Básicas:
- CB2: Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
- CB5: Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
Generales:
- CG01: Conocimiento de las materias básicas y tecnologías, que capaciten para el aprendizaje y desarrollo de nuevos métodos y tecnologías, así como las que les doten de una gran versatilidad para adaptarse a nuevas situaciones.
- CG02: Capacidad de resolución de problemas en el campo de la ingeniería robótica con creatividad, iniciativa, metodología y razonamiento crítico.
Específicas:
- CE12: Capacidad de conocer e implementar métodos de extracción de características a partir de la información percibida por cámaras y sensores 3D al desarrollo de aplicaciones en robots y sistemas inteligentes.
- CE15: Conocer las técnicas de inteligencia artificial utilizadas en robótica industrial y de servicios, saber cómo utilizarlas en aplicaciones robóticas fijas y móviles.
- CE16: Utilizar e implementar métodos de reconocimiento de patrones y de aprendizaje computacional en el análisis de datos sensoriales y para la toma de decisiones en sistemas robóticos.
Transversales:
- CT1: Capacidad de análisis y síntesis.
- CT3: Capacidad de trabajo individual, con actitud autocrítica.
- CT10: Utilización de información bibliográfica y de Internet.
- CT11: Utilización de información en lengua extranjera.
- CT12: Capacidad para resolver problemas mediante la aplicación integrada de sus conocimientos.
Los contenidos de la materia se impartirán tanto en clases expositivas de teoría como en clases interactivas de prácticas. Ambos tipos de clases se irán alternando a lo largo del semestre, de tal modo que las prácticas afianzarán los conceptos mostrados en teoría.
Las clases de teoría expositivas se desarrollarán en el aula por parte del profesorado, apoyado por medios electrónicos (presentaciones electrónicas, vídeos, documentos técnicos complementarios...) disponibles en el Campus Virtual de la USC. Dichas clases seguirán los contenidos pormenorizados de la asignatura que aparezcan reflejados en la programación docente anual. Las presentaciones magistrales del profesor se combinarán con la propuesta de ejercicios específicos para afianzar los conceptos presentados. Estos ejercicios serán resueltos por los alumnos (en clase o en casa) para después ser corregidos en clase de una manera participativa.
La docencia de las prácticas, realizadas en grupos reducidos de 20 alumnos y de carácter interactivo, serán actividades complementarias a las clases teóricas expositivas. Serán desarrolladas en laboratorios de robótica con robots reales y en clases de informática bajo la supervisión del profesorado. Los alumnos seguirán de manera autónoma los guiones de las prácticas específicas disponibles en el Campus Virtual de la USC. Estas actividades no sólo permitirán al alumnado la comprensión de los conceptos teóricos mediante su puesta en práctica sino que también les permitirán la adquisición de habilidades necesarias para aplicar algoritmos de aprendizaje automático en su futuro profesional.
Asimismo, en las tutorías se atenderá al alumnado para discutir, comentar, aclarar o resolver cuestiones concretas en relación con sus tareas dentro de la asignatura (recopilación de información, preparación de pruebas de evaluación, prácticas, trabajos...). Estas tutorías serán tanto presenciales como virtuales a través de correo electrónico, campus virtual o la plataforma Microsoft Teams.
La evaluación se llevará a cabo de dos formas: (1) Evaluación continua a través de la posible valoración de prácticas en el laboratorio. Se podrá proponer la posible realización de trabajos voluntarios que fomenten la creatividad del alumno, motivación, etc., y que permitan que profundicen en algunos de los contenidos de la materia, o exploren alternativas no cubiertas directamente en los contenidos impartidos por el profesor. (2) Por otra parte, habrá una última prueba final que podrá contener ejercicios teóricos y/o prácticos. La prueba final representará el 60% del total de la asignatura, mientras que el 40% restante lo representan las pruebas (las prácticas entregables mencionadas en el punto 1, trabajos, cuestionarios, etc.) que se propongan en el aula. La materia se considerará superada si se obtiene una calificación global ponderada igual o superior a 5 puntos (sobre 10) entre las dos formas de evaluación, y en la prueba final se obtiene una calificación igual o superior a 4 puntos (sobre 10).
El alumno recibirá la calificación de "non presentado" cuando no haga el examen final.
Para los casos de realización fraudulenta de ejercicios o pruebas será de aplicación lo establecido en la “Normativa de avaliación do rendemento académico dos estudantes e de revisión das cualificacións”
La asistencia tanto a las clases teóricas como prácticas será obligatoria, salvo por causa justificada. Para aquellos alumnos que tengan dispensa, el sistema de evaluación será el mismo no tendrán obligación de asistir a las clases teóricas, pero se mantiene la obligación de asistencia a las prácticas de laboratorio.
Evaluación de segunda oportunidad: Los alumnos podrán entregar en fecha previa el examen de la segunda oportunidad, aquellas actividades que le plantee el profesor, correspondientes a aquellas que no hubiesen superado en la convocatoria anterior. Podrá haber una defensa de trabajos con el profesor. Por otra parte, habrá un examen de segunda oportunidad, en consonancia con lo que sucede en la primera oportunidad y cuyo peso en la calificación final es el mismo.
Evaluación de repetidores: los alumnos repetidores se evaluarán de la misma forma que los alumnos en la primera oportunidad.
Las competencias básicas así como las competencias generales tienen contenidos específicos en la materia que se introducen, como se ha indicado, tanto en las clases expositivas como en las interactivas. Posteriormente el alumnado desarrollará estas competencias en el examen teórico y con la realización de los trabajos prácticos en los que también trabajará las competencias transversales en especial en lo que se refiere a la capacidad de análisis y síntesis (CT1), capacidad de trabajo individual, con actitud autocrítica (CT3) y capacidad para resolver problemas mediante la aplicación integrada de sus conocimientos (CT12).
Las competencias específicas serán objeto de evaluación tanto en los trabajos prácticos que el alumno desarrolle durante la materia como en el examen teórico.
La materia tiene una carga de trabajo de 6 ECTS dividida de la siguiente forma:
- 1. Trabajo en el aula (60 horas presenciales)
- 1.1. Clases expositivas teóricas (en grupo grande): 24 horas
- 1.2. Prácticas (con pequeños grupos): 24 horas
- 1.3. Tutorías de grupo: 3 horas
- 1.4. Tutorías individualizadas: 4 horas
- 1.5. Actividades de evaluación: 5 horas
- 2. Trabajo personal del alumnado (90 horas no presenciales)
- 2.1. Lectura, revisión de temas y ejercicios de teoría: 24 horas
- 2.2. Preparación de ejercicios e informes de prácticas: 48 horas
- 2.3. Preparación de tutorías de grupo: 4 horas
- 2.4. Preparación de tutorías individualizadas: 7 horas
- 2.5. Preparación de pruebas de evaluación: 7 horas
Debido a la alta correlación existente entre los conceptos desarrollados en las clases de teoría y los contenidos de las prácticas, se recomienda a los alumnos constancia en el estudio de la materia, acudiendo a las sesiones de prácticas con los conceptos teóricos revisados y los ejercicios resueltos. La realización de las prácticas ayudará al afianzamiento de los conceptos teóricos y a su utilización en situaciones reales.
Materia en extinción en el curso 2024/25, sin docencia pero con derecho a la avaluación con el sistema especificado para estudantes repetidores