Créditos ECTS Créditos ECTS: 4.5
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 25 Clase Interactiva: 15 Total: 41
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Grao RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación
Áreas: Ciencia da Computación e Intelixencia Artificial
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable
O obxectivo desta materia consiste en dotar ao estudante da capacidade para identificar e seleccionar adecuadamente as técnicas de aprendizaxe non supervisada máis apropiadas para resolver problemas específicos dentro de diferentes dominios. Para iso, o estudante deberá comprender as características distintivas de diversas técnicas de aprendizaxe non supervisada, saber avaliar as súas fortalezas e limitacións, e determinar cal técnica é máis adecuada en función do tipo de datos, a súa distribución e o contexto do problema a resolver.
Tema 1. Introdución á aprendizaxe non supervisada
Tema 2. Avaliación e validación na aprendizaxe non supervisada
Tema 3. Redución da dimensionalidade
Tema 4. Métodos non supervisados baseados en redes neuronais
Tema 5. Técnicas de agrupamento
Tema 6. Técnicas de asociación e análise de patróns
Bibliografía básica:
- Apuntes de aprendizaxe automática non supervisada. Proporciónanse apuntes, elaborados polo profesorado, que cobren a totalidade dos temas da 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. Dispoñible en liña.
- Bishop, Christopher M. Pattern Recognition and Machine Learning. New York: Springer, 2006. Print. Dispoñible na 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. Dispoñible en liña.
- 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. Dispoñible en liña.
A materia contribúe ás seguintes competencias:
Básicas:
[CB3] Que o alumnado teña a capacidade de reunir e interpretar datos relevantes (normalmente dentro da súa área de estudo) para emitir xuízos que inclúan unha reflexión sobre temas relevantes de índole social, científica ou ética.
Xerais:
[CG3] Capacidade para deseñar e crear modelos e solucións de calidade baseadas en Intelixencia Artificial que sexan eficientes, robustas, transparentes e responsables.
[CG4] Capacidade para seleccionar e xustificar os métodos e técnicas adecuadas para resolver un problema concreto, ou para desenvolver e propoñer novos métodos baseados en intelixencia artificial.
[CG5] Capacidade para concibir novos sistemas computacionais e/ou avaliar o rendemento de sistemas existentes, que integren modelos e técnicas de intelixencia artificial.
Específicas:
[CE1] Capacidade para utilizar os conceptos e métodos matemáticos e estatísticos para modelar e resolver problemas de intelixencia artificial.
[CE12] Coñecer os fundamentos dos algoritmos e modelos da intelixencia artificial para a resolución de problemas de certa complexidade, entender a súa complexidade computacional e ter capacidade para deseñar novos modelos.
[CE15] Coñecer e saber aplicar e explicar correctamente as técnicas de validación das solucións de intelixencia artificial.
Transversais:
[TR1] Capacidade para comunicar e transmitir os seus coñecementos, habilidades e destrezas.
[TR2] Capacidade de traballo en equipo, en contornos interdisciplinares e xestionando conflitos.
Resultados da aprendizaxe:
- Saber seleccionar as diferentes técnicas de aprendizaxe non supervisada para resolver un problema nun determinado dominio.
- Coñecer e saber aplicar técnicas de agrupamento en base a criterios de similitude entre datos.
- Coñecer as técnicas de redución de dimensionalidade a partir da selección e extracción de características.
A metodoloxía de ensino está dirixida a focalizar a materia sobre os aspectos teóricos e prácticos da aprendizaxe non supervisada e en que se diferencian doutros tipos de aprendizaxe. Tendo isto en conta, distínguense dous tipos de actividades de aprendizaxe: clases teóricas e clases prácticas. Así:
- Clases teóricas. Impartiranse 25 horas de clases maxistrais en sesións de 1 hora. Están dirixidas a explicar os conceptos que soportan este paradigma de aprendizaxe.
- Clases prácticas. Impartiranse 15 horas de clases prácticas que se desenvolverán na aula de informática en 10 sesións de 1,5 horas e permitirán ao alumnado familiarizarse desde un punto de vista práctico coas cuestións expostas nas clases teóricas. A asistencia a estas clases por parte do alumnado é OBRIGATORIA.
Actividades formativas de carácter presencial e a súa relación coas competencias da titulación:
- Clases teóricas impartidas polo profesor e exposición de seminarios. Competencias traballadas: CE1, CE12, CE15, CG3, CG4.
- Clases prácticas de laboratorio, resolución de problemas e casos prácticos. Competencias traballadas: CE1, CE12, CE15, CB3, CG3, CG4, CG5, TR1, TR2.
- Exame. Competencias traballadas: CE1, CE12, CE15, CG3, CG4, CG5.
Actividades formativas de carácter non presencial e a súa relación coas competencias da titulación:
- Traballo persoal do alumno: consulta de bibliografía, estudo autónomo, desenvolvemento de actividades programadas, preparación de presentacións e traballos. Competencias traballadas: CE1, CE12, CE15, CG3, CG4, CG5.
Oportunidade ordinaria:
- Prácticas: 40%
- Exame final: 60%
Os alumnos abordarán a resolución de diversos problemas propostos na aula de informática. Deberán realizar traballos nos que se presenten os resultados obtidos. Varios destes traballos serán de entrega obrigatoria e outros opcionais. Todos os traballos deberán ser entregados antes das datas que se especificarán e deberán cumprir uns requisitos mínimos de calidade para ser tidos en consideración. Valorarase o coñecemento adquirido, así como o grao de cumprimento das especificacións, a metodoloxía e rigurosidade e a presentación de resultados.
Sempre e cando se teñan superado os requisitos mínimos de asistencia, debe conseguirse unha puntuación total de 5 ou superior tanto nas prácticas como no exame final para superar a materia. É imprescindible para aprobar ter entregado todas as prácticas indicadas como obrigatorias.
Oportunidade extraordinaria:
- Sempre e cando se teñan superado os requisitos mínimos de asistencia, poderán recuperarse as partes que non quedaron aprobadas na oportunidade ordinaria: traballos non entregados, prácticas e exame.
Condición de Non Presentado/a:
- Aqueles alumnos/as que non sexan avaliados en ningún aspecto da materia. Ademais, o alumnado cunha porcentaxe que non represente máis dun 10% da nota total máxima da materia tamén poderá optar á condición de Non Presentado, para o cal deberá informar ao profesor coordinador/a da asignatura.
Estudantes repetidores:
- Empregaranse os criterios de avaliación anteriores.
Control de asistencia:
- A asistencia ás sesións de prácticas é obrigatoria. Se o alumno asiste a menos do 80% das sesións de prácticas, considerarase que non superou a materia.
No caso de realización fraudulenta de exercicios ou probas, aplicarase a Normativa de avaliación do rendemento académico dos estudantes e de revisión de cualificacións. En aplicación da Normativa da ETSE sobre plaxio (aprobada pola Xunta da ETSE o 19/12/2019), a copia total ou parcial dalgún exercicio de prácticas ou de teoría suporá o suspenso nas dúas oportunidades do curso, coa cualificación de 0,0 en ambos casos.
Traballo presencial na aula:
- Clases de teoría: 25 horas
- Clases prácticas: 15 horas
- Titorías individuais: 1 hora
Total horas de traballo presencial na aula: 40 horas
Traballo persoal do alumnado (estudo, realización de exercicios, prácticas, proxectos) e outras actividades (avaliación non presencial): 71,5 horas
Recomendacións para o estudo da materia
Debido á forte interrelación entre a parte teórica e a parte práctica, e á progresividade na presentación de conceptos moi relacionados entre si na parte teórica, é recomendable dedicar un tempo de estudo ou repaso diario.
Empregarase o campus virtual da USC para toda a docencia, publicación de material, guións de prácticas e entregas de traballos.
O idioma preferente de impartición das clases expositivas e interactivas é o castelán, pero, tanto na bibliografía como nos apuntes, parte do contido pode estar en inglés.
Juan Carlos Vidal Aguiar
- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Teléfono
- 881816388
- Categoría
- Profesor/a: Titular de Universidade
| Martes | |||
|---|---|---|---|
| 10:00-11:00 | Grupo /CLE_01 | Castelán | IA.01 |
| 12:00-13:30 | Grupo /CLIL_02 | Castelán | IA.01 |
| Mércores | |||
| 12:00-13:30 | Grupo /CLIL_01 | Castelán | 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 |