Créditos ECTS Créditos ECTS: 4.5
Horas ECTS Criterios/Memorias Horas de Tutorías: 1 Clase Expositiva: 25 Clase Interactiva: 15 Total: 41
Lenguas de uso Castellano, Gallego
Tipo: Materia Ordinaria Grado RD 1393/2007 - 822/2021
Departamentos: Electrónica y Computación
Áreas: Ciencia de la Computación e Inteligencia Artificial
Centro Escuela Técnica Superior de Ingeniería
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable
El objetivo de esta materia consiste en dotar al estudiante de la capacidad para identificar y seleccionar adecuadamente las técnicas de aprendizaje no supervisado más apropiadas para resolver problemas específicos dentro de diferentes dominios. Para ello, el estudiante deberá comprender las características distintivas de diversas técnicas de aprendizaje no supervisado, saber evaluar sus fortalezas y limitaciones, y determinar cuál técnica es más adecuada en función del tipo de datos, su distribución y el contexto del problema a resolver.
Tema 1. Introducción al aprendizaje no supervisado
Tema 2. Evaluación y validación en aprendizaje no supervisado
Tema 3. Reducción de la dimensionalidad
Tema 4. Métodos no supervisados basados en redes neuronales
Tema 5. Técnicas de agrupamiento
Tema 6. Técnicas de asociación y análisis de patrones
Bibliografía básica:
- Apuntes de aprendizaje automático no supervisado. Se proporcionan apuntes, elaborados por el profesorado, que cubren la totalidad de los temas de la materia.
- Hastie, Trevor, Jerome Friedman, and Robert Tibshirani. The Elements of Statistical Learning Data Mining, Inference, and Prediction. New York, NY: Springer New York, 2001. Disponible en línea.
- Bishop, Christopher M. Pattern Recognition and Machine Learning. New York: Springer, 2006. Print. Disponible en biblioteca ETSE (C50 721).
Bibliografía complementaria:
- Larose, Daniel T, and Chantal D Larose. Data Mining and Predictive Analytics. Second edition. Hoboken, New Jersey: John Wiley & Sons, 2015. Disponible en línea.
- Johnston, Benjamin, Aaron Jones, and Christopher Kruger. Applied Unsupervised Learning with Python: Discover Hidden Patterns and Relationships in Unstructured Data with Python. 1st edition. Birmingham, UK: Packt Publishing, 2019. Disponible en línea.
La materia contribuye a las siguientes competencias:
Básicas:
[CB3] Que el alumnado tenga la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
Generales:
[CG3] Capacidad para diseñar y crear modelos y soluciones de calidad basadas en Inteligencia Artificial que sean eficientes, robustas, transparentes y responsables.
[CG4] Capacidad para seleccionar y justificar los métodos y técnicas adecuadas para resolver un problema concreto, o para desarrollar y proponer nuevos métodos basados en inteligencia artificial.
[CG5] Capacidad para concebir nuevos sistemas computacionales y/o evaluar el rendimiento de sistemas existentes, que integren modelos y técnicas de inteligencia artificial.
Específicas:
[CE1] Capacidad para utilizar los conceptos y métodos matemáticos y estadísticos para modelizar y resolver problemas de inteligencia artificial
[CE12] Conocer los fundamentos de los algoritmos y modelos de la inteligencia artificial para la resolución de problemas de cierta complejidad, entender su complejidad computacional y tener capacidad para diseñar nuevos modelos.
[CE15] Conocer y saber aplicar y explicar correctamente las técnicas de validación de las soluciones de inteligencia artificial
Transversales:
[TR1] Capacidad para comunicar y transmitir sus conocimientos, habilidades y destrezas.
[TR2] Capacidad de trabajo en equipo, en entornos interdisciplinares y gestionando conflictos.
Resultados del aprendizaje:
- Saber seleccionar las diferentes técnicas de aprendizaje no supervisado para resolver un problema en un determinado dominio.
- Conocer y saber aplicar técnicas de agrupamiento en base a criterios de similitud entre datos.
- Conocer las técnicas de reducción de dimensionalidad a partir de la selección y extracción de características.
La metodología de enseñanza está dirigida a focalizar la materia sobre los aspectos teóricos y prácticos del aprendizaje no supervisado y en qué se diferencian de otros tipos de aprendizaje. Teniendo esto en cuenta, se distinguen dos tipos de actividades de aprendizaje: clases teóricas y clases prácticas. Así:
- Clases teóricas. Se impartirán 25 horas de clases magistrales en sesiones de 1 hora. Están dirigidas a explicar los conceptos que soportan este paradigma de aprendizaje.
- Clases prácticas. Se impartirán 15 horas de clases prácticas que se desarrollarán en el aula de informática en 10 sesiones de 1,5 horas y permitirán al alumnado familiarizarse desde un punto de vista práctico con las cuestiones expuestas en las clases teóricas. La asistencia a estas clases por parte del alumnado es OBLIGATORIA.
Actividades formativas de carácter presencial y su relación con las competencias de la titulación:
- Clases teóricas impartidas por el profesor y exposición de seminarios. Competencias trabajadas: CE1, CE12, CE15, CG3, CG4.
- Clases prácticas de laboratorio, resolución de problemas y casos prácticos. Competencias trabajadas: CE1, CE12, CE15, CB3, CG3, CG4, CG5, TR1, TR2.
- Examen. Competencias trabajadas: CE1, CE12, CE15, CG3, CG4, CG5.
Actividades formativas de carácter no presencial y su relación con las competencias de la titulación:
- Trabajo personal del alumno: consulta de bibliografía, estudio autónomo, desarrollo de actividades programadas, preparación de presentaciones y trabajos. Competencias trabajadas: CE1, CE12, CE15, CG3, CG4, CG5.
Oportunidad ordinaria:
- Prácticas: 40%
- Examen final: 60%
Los alumnos abordarán la resolución de diversos problemas propuestos en el aula de informática. Deberán realizar trabajos en los que se presenten los resultados obtenidos. Varios de estos trabajos serán de entrega obligatoria y otros opcionales. Todos los trabajos deberán ser entregados antes de las fechas que se especificarán y deberán cumplir unos requisitos mínimos de calidad para ser tenidos en consideración. Se valorará el conocimiento adquirido, así como grado de cumplimiento de las especificaciones, la metodología y rigurosidad y la presentación de resultados.
Siempre y cuando se hayan superado los requisitos mínimos de asistencia, debe conseguirse una puntuación total de 5 o superior tanto en las prácticas como en el examen final para superar la materia. Es imprescindible para aprobar haber entregado todas las prácticas indicadas cómo obligatorias.
Oportunidad extraordinaria:
- Siempre y cuando se hayan superado los requisitos mínimos de asistencia, se podrán recuperar las partes que no quedaron aprobadas en la oportunidad ordinaria: trabajos no entregados, prácticas y examen.
Condición de No Presentado/a:
- Aquellos alumnos/as que no haya sido evaluado en ningún aspecto de la materia. Además, el alumnado con un porcentaje que no represente más de un 10% de la nota total máxima de la materia también podrá optar a la condición de No Presentado, para lo cual deberá informar al profesor coordinador/a de la asignatura.
Estudiantes repetidores:
- No se mantienen las evaluaciones entre cursos.
Control de asistencia:
- La asistencia a las sesiones de prácticas es obligatoria. Si el alumno asiste a menos del 80% de las sesiones de prácticas, se considerará que no ha superado la materia.
En el caso de realización fraudulenta de ejercicios o pruebas, se aplicará la Normativa de evaluación del rendimiento académico de los estudiantes y de revisión de cualificaciones.
En aplicación de la Normativa da ETSE sobre plagio (aprobada por la Xunta de la ETSE el 19/12/2019), la copia total o parcial de algún ejercicio de prácticas o de teoría supondrá el suspenso en las dos oportunidades del curso, con la calificación de 0,0 en ambos casos.
Trabajo presencial en el aula:
- Clases de teoría: 25 horas
- Clases prácticas: 15 horas
- Tutorías individuales: 1 hora
Total horas de trabajo presencial en el aula: 40 horas
Trabajo personal del alumnado (estudio, realización de ejercicios, prácticas, proyectos) y otras actividades (evaluación no presencial): 71,5 horas
Debido a la fuerte interrelación entre la parte teórica y la parte práctica, y a la progresividad en la presentación de conceptos muy relacionados entre sí en la parte teórica, es recomendable dedicar un tiempo de estudio o repaso diario.
Se utilizará el campus virtual de la USC para toda la docencia, publicación de material, guiones de prácticas y entregas de trabajos.
El idioma preferente de impartición de las clases expositivas e interactivas es el castellano, pero, tanto en la bibliografía como en los apuntes, parte del contenido puede estar en inglés.
Juan Carlos Vidal Aguiar
- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Teléfono
- 881816388
- Categoría
- Profesor/a: Titular de Universidad
| Martes | |||
|---|---|---|---|
| 10:00-11:00 | Grupo /CLE_01 | Castellano | IA.01 |
| 12:00-13:30 | Grupo /CLIL_02 | Castellano | IA.01 |
| Miércoles | |||
| 12:00-13:30 | Grupo /CLIL_01 | Castellano | IA.01 |
| 04.06.2025 09:00-14:00 | Grupo /CLIL_01 | IA.01 |
| 04.06.2025 09:00-14:00 | Grupo /CLE_01 | IA.01 |
| 04.06.2025 09:00-14:00 | Grupo /CLIL_02 | IA.01 |
| 04.06.2025 09:00-14:00 | Grupo /CLIL_01 | IA.11 |
| 04.06.2025 09:00-14:00 | Grupo /CLE_01 | IA.11 |
| 04.06.2025 09:00-14:00 | Grupo /CLIL_02 | IA.11 |
| 04.06.2025 09:00-14:00 | Grupo /CLE_01 | IA.12 |
| 04.06.2025 09:00-14:00 | Grupo /CLIL_01 | IA.12 |
| 04.06.2025 09:00-14:00 | Grupo /CLIL_02 | IA.12 |
| 09.07.2025 16:00-20:00 | Grupo /CLIL_02 | IA.11 |
| 09.07.2025 16:00-20:00 | Grupo /CLE_01 | IA.11 |
| 09.07.2025 16:00-20:00 | Grupo /CLIL_01 | IA.11 |