Créditos ECTS Créditos ECTS: 3
Horas ECTS Criterios/Memorias Horas de Tutorías: 4.5 Clase Expositiva: 14 Clase Interactiva: 14 Total: 32.5
Lenguas de uso Castellano, Gallego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica y Computación
Áreas: Lenguajes y Sistemas Informáticos
Centro Escuela Técnica Superior de Ingeniería
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
La asignatura introduce al alumnado en las técnicas de aprendizaje automático para el desarrollo de gemelos digitales en entornos industriales. En particular se persigue que el alumno, al finalizar la asignatura, sea capaz de:
- Conocer y comprender los fundamentos del preprocesado de datos para plantas industriales
- Emplear técnicas para realizar la limpieza y preprocesado de datos IoT para algoritmos de aprendizaje máquina.
- Preprocesado de datos en plantas industriales.
- Introducción a la detección de anomalías.
- Selección de características.
- Desarrollo de gemelos digitales para plantas industriales. Modelos con memoria basados en Aprendizaje Automático. Modelos de aprendizaje incremental.
- Técnicas de optimización automática. Adaptación de las técnicas clásicas a los procesos industriales
Bibliografía básica
[1]. Brink, Henrik, Joseph W Richards, and Mark Fetherolf. Real-World Machine-Learning. Shelter Island, NY: Manning, 2017. Print.
[2]. Kostadinov, Simeon. Recurrent Neural Networks with Python Quick Start Guide : Sequential Learning and Language Modeling with TensorFlow. 1st edition. Birmingham ; Packt Publishing, 2018. Print.
[3]. Li, J., Cheng, K., Wang, S., Morstatter, F., Trevino, R. P., Tang, J., & Liu, H. Feature selection: A data perspective. ACM computing surveys (CSUR), 2017, 50(6), 1-45.
Bibliografía complementaria
[1]. Bernico, Michael. Deep Learning Quick Reference : Useful Hacks for Training and Optimizing Deep Neural Networks with TensorFlow and Keras. First edition. Birmingham, England ; Packt, 2018. Print.
[2]. Artasanchez, Alberto, and Prateek Joshi. Artificial Intelligence with Python : Your Complete Guide to Building Intelligent Apps Using Python 3.x and TensorFlow 2. Second edition. Birmingham ; Packt Publishing, 2020. Print.
[3]. Gomes, H. M., Read, J., Bifet, A., Barddal, J. P., & Gama, J. Machine learning for streaming data: state of the art, challenges, and opportunities.ACM SIGKDD Explorations Newsletter,21(2), 6-22, 2019.
La memoria del título contempla para esta asignatura las siguientes competencias específicas:
- I-CP3: Analizar e interpretar los flujos de datos IIoT en una empresa industrial
Los contenidos de la asignatura se impartirán de manera indistinta entre las clases expositivas y las clases interactivas. La realización de todas las actividades propuestas es necesaria para superar la asignatura.
Clases Expositivas (teoría): consistirán en la explicación de los diferentes apartados del programa de la asignatura, con la ayuda de medios electrónicos (presentaciones, vídeos, etc.).
Clases interactivas (prácticas): se plantearán diferentes problemas prácticos relacionados con el contenido de la asignatura para que el alumno resuelva de forma individual o en grupos.
Trabajo autónomo: el alcance y objetivos de los proyectos, casos de uso y/o problemas prácticos podrán requerir del trabajo autónomo por parte de alumnado, aunque con la tutela del profesorado.
Tutorías: Las sesiones de tutorías servirán para resolver las dudas del alumnado relacionadas con los contenidos de la asignatura. Estas tutorías serán tanto presenciales como virtuales a través de correo electrónico, campus virtual o plataforma de videoconferencia. Las tutorías síncronas requerirán cita previa.
Primera oportunidad:
Para aprobar la asignatura, el alumno deberá completar y aprobar los trabajos prácticos (30%) y tutelados (30%) propuestos, que representan el 60% de la calificación final, así como superar el examen final, que constituye el 40% restante. Para ello, será necesario obtener una nota igual o superior a 5 en la calificación global. Además, se requiere alcanzar al menos un 4 en cada una de las partes evaluadas para que se pueda promediar.
Las preguntas del examen final se centrarán en los contenidos específicos que se han desarrollado en la materia en relación con sus competencias y que podrán haber sido adquiridos por el alumno tanto en la parte expositiva como en la interactiva.
Exámenes parciales:
No se realizará ningún examen parcial.
Segunda oportunidad:
Se mantiene la nota conseguida en las prácticas (trabajos prácticos y tutelados) durante el curso y también su peso en la nota final. Los alumnos que no hubiesen alcanzado la nota de corte en las actividades propuestas durante la convocatoria anterior podrán entregar, en fecha previa al examen final de segunda oportunidad, actividades similares a las no superadas, que serán propuestas por los docentes. Una vez superadas las partes evaluadas por separado, el examen será el 40% de la nota final y las prácticas el 60% restante (30% trabajos prácticos y 30% trabajos tutelados). .Para aprobar la asignatura será necesario una nota media global igual o superior a 5. Además, se requiere alcanzar al menos un 4 en cada una de las partes evaluadas para que se pueda promediar.
Las preguntas del examen final se centrarán en los contenidos específicos que se han desarrollado en la materia en relación con sus competencias y que podrán haber sido adquiridos por el alumno tanto en la parte expositiva como en la interactiva.
Alumnos repetidores y/o con dispensa de asistencia:
Los alumnos repetidores y/o con dispensa de asistencia se examinarán en las mismas condiciones que los alumnos en primera convocatoria
No presentado:
El alumno recibirá la cualificación de "no presentado" cuando no realice el examen final.
Realización fraudulenta de ejercicios o pruebas:
Para los casos de realización fraudulenta de ejercicios o pruebas será de aplicación lo recogido en las normativas de evaluación del rendimiento oficiales de cada institución (USC, UDC, UVigo). En particular, si se detecta cualquier forma de plagio en alguna de las pruebas o exámenes, la calificación final será SUSPENSO (0), y se denunciará el incidente a las autoridades académicas correspondientes.
La materia tiene fijada, según la memoria del máster, una carga de trabajo de 3,0 ECTS. Dado que se ha fijado en 25 el número de horas correspondientes a cada ECTS, la carga total de trabajo para la materia se sitúa en 75,0 horas (3,0 ECTS x 25 horas por ECTS).
La carga de trabajo presencial está fijada en 12 horas de docencia expositiva, 12 horas de docencia interactiva. Por tanto, el trabajo personal de los/as estudiantes debe suponer 51 horas.
El alumno debería llevar al día la materia para poder aplicar en los ejercicios prácticos los conocimientos adquiridos de forma teórica.
Idioma principal: la materia se impartirá en castellano
David Mera Perez
- Departamento
- Electrónica y Computación
- Área
- Lenguajes y Sistemas Informáticos
- Correo electrónico
- david.mera [at] usc.es
- Categoría
- Profesor/a: Profesor Contratado/a Doctor
| Martes | |||
|---|---|---|---|
| 15:30-17:00 | Grupo /CLE_01 | Castellano | Aula A10 |
| 17:00-18:30 | Grupo /CLIL_01 | Castellano | L.B.3.Laboratorio de Enxeñería Ambiental |