Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 30 Clase Interactiva: 20 Total: 51
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: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable
Na aprendizaxe supervisada, os sistemas intelixentes aprenden por si mesmos métodos para extraer información de datos tomados como exemplo, de forma supervisada, é dicir, con valores coñecidos para as magnitudes que se prevén automaticamente. Así, os sistemas intelixentes aprenden a construír funcións ou modelos baseados en exemplos anotados (datos de adestramento). As funcións aprendidas teñen capacidade de xeneralización para ser aplicadas a novos exemplos a partir dos que facer predicións ou tomar decisións. Nesta materia impartiranse os métodos de aprendizaxe tutelada máis importantes e as súas aplicacións básicas (clasificación, predición e regresión). Ensinarase a aplicar diferentes técnicas e escoller a máis adecuada para cada problema en función das súas características, volume de datos e escalabilidade. Discutaranse algunhas das estratexias máis relevantes e amplamente aplicadas con diversos enfoques de aprendizaxe supervisada. Ademais de analizar os pros e os contras dos diferentes enfoques estudados, veremos algúns problemas comúns que poden xurdir do conxunto de datos de adestramento e proba empregados, tanto intrínsecos como por un uso inadecuado dos mesmos. Así, o obxectivo principal é comprender os conceptos asociados á aprendizaxe automática a partir de datos previamente etiquetados, así como os seus fundamentos matemáticos.
Tema 1. Conceptos preliminares de aprendizaxe automática:
1.1 Clasificación e regresión lineal.
1.2 Métricas e selección do modelo.
Tema 2. Aprendizaxe automática supervisada interpretable
2.1 Métodos baseados nos veciños máis próximos.
2.2 Aprendizaxe de sistemas baseados en regras.
2.3 Árbores de decisión.
Tema 3. Aprendizaxe automática superivsada non interpretable
3.1 Conxuntos: ensacado, impulso e bosque aleatorio.
3.2 Máquinas vectoriais de apoio.
3.3 Redes neuronais
1) Bibliografía básica:
Apuntes de aprendizaxe automática supervisada. Proporcionaranse apuntes, na forma de presentacions en PDF elaboradas polo profesorado, que cubren a totalidade dos temas da materia
G. James, D. Witten, T. Hastie, R. Tibshirani. An Introduction to Statistical Learning with Applications in R. Ed. 1, New York: Springer, 2013. ISBN 978-1-4614-7137-0.
T. Hastie, R. Tibshirani, J. Friedman. The elements of statistical learning: data mining, inference, and prediction. Ed. 2, New York: Springer, 2009. ISBN 978-0-3878-4857-0.
2) Bibliografía complementaria:
C.M. Bishop. Pattern recognition and machine learning, Springer, 2006, ISBN: 978-0387310732
I.H. Witten, E. Frank, M.A. Hall, C.J. Pal, DATA MINNIG. Practical Machine Learning Tools and Techniques (Morgan Kaufmann Series in Data Management Systems). 4th Edition. ISBN-10:0128042915, ISBN-13:978-0128042915
P. Harrington. Machine learning in action. O'Reilly, 2012. ISBN 978-1617290183
A. Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media, Inc., ISBN:9781492032649, 2nd Edition
J. Hurwitz, D. Kirsch. Machine learning for dummies. John Wiley & Sons, Inc., 2018. ISBN 9781119454953
Ao longo do curso, o alumnado desenvolverá as seguintes habilidades:
1) BÁSICAS:
CB2. Que o alumnado saiba aplicar os seus coñecementos ao seu traballo ou vocación de forma profesional e posúe as competencias que adoitan demostrarse mediante o desenvolvemento e defensa de argumentos e a resolución de problemas dentro da súa área de estudo.
2) XERAIS:
CG2. Capacidade para resolver problemas con iniciativa, toma de decisións, autonomía e creatividade.
GG4. Capacidade para seleccionar e xustificar os métodos e técnicas adecuadas para resolver un problema concreto, ou para desenvolver e propoñer novos métodos baseados na intelixencia artificial.
CG5. Capacidade para concibir novos sistemas informáticos e/ou avaliar o rendemento dos sistemas existentes, que integren modelos e técnicas de intelixencia artificial.
3) TRANSVERSAIS:
TR1. Capacidade para comunicar e transmitir os seus coñecementos, habilidades e habilidades.
TR2. Capacidade de traballo en equipo, en contornas interdisciplinares e de xestión de conflitos.
4) ESPECÍFICAS:
CE1. Capacidade para utilizar conceptos e métodos matemáticos e estatísticos para modelar e resolver problemas de intelixencia artificial.
CE12. Coñecer os fundamentos dos algoritmos e modelos de intelixencia artificial para resolver problemas de certa complexidade, comprender a súa complexidade computacional e ter a capacidade de deseñar novos modelos.
CE15. Coñecer e saber aplicar e explicar correctamente as técnicas de validación de solucións de intelixencia artificial.
Os resultados de aprendizaxe serán
+ Saber seleccionar as diferentes técnicas de aprendizaxe supervisada para resolver un problema nun determinado dominio.
+ Coñecer os paradigmas formais máis importantes para a aprendizaxe supervisada a partir de datos.
+ Coñecer técnicas de clasificación e regresión na aprendizaxe supervisada.
+ Coñecer as vantaxes e os inconvenientes das diferentes estratexias de aprendizaxe supervisada, modelos e combinación de modelos, pero tamén métricas de avaliación e metodoloxías de validación para seleccionar os mellores modelos.
+ Saber aplicar los algoritmos y modelos estudiados en diversos casos de uso.
Clases expositivas (30 h): presentacións tipo master class para presentar os contidos dos diferentes temas, con especial fincapé na explicación e asimilación de conceptos, fundamentos matemáticos e a potencial utilidade da aprendizaxe automática supervisada.
Clases interactivas (20 h): resolución de problemas prácticos de clasificación e regresión.
A materia é 100% presencial.
Exame final con preguntas tipo test e resposta curta sobre os contidos tratados nas clases expositivas: 60% da nota final.
Avaliación continua: avaliación das entregas e resultados obtidos nas diferentes prácticas da materia: 40% da nota final.
Serán promovidos a asistencia e participación do estudantado tanto nas clases maxistrais expositivas como nas prácticas, debates e/ou seminarios que se desenvolvan ao longo do curso.
Despois da entrega de cada traballo asociado ás clases prácticas, realizarase unha proba de avaliación que terá lugar na clase expositiva sigente á data de entrega e será obrigatoria a asistencia. O control desta asistencia realizarase a través de follas de firmas que se deberán
cubrir á finalización de cada unha das sesións.
A cualificación de cada entrega práctica terá dous compoñentes: 70 % de avaliación dos entregables (en función da corrección e claridade do código desenvolvido e da memoria asociada) e un 30 % da nota acadada na proba de avaliación asociada á entrega.
Estas actividades de avaliación serán obrigatorias e realizaranse en clase expositiva, polo que, para efectos do establecido no Art.1 do Regulamento de asistencia a clase nas ensinanzas oficiais de grao e máster da Universidade de Santiago de Compostela (25/11/2024) ”, a asistencia ás sesións onde se programen estas actividades será obrigatoria, sendo un requisito a realización das mesmas que, de non cumprirse, suporá a cualificación de 0,0 no entregable correspondente. Excepto a indicada neste punto, a asistencia a clase non terá outra valoración no sistema de avaliación, aínda que a asistencia ás diferentes actividades docentes contribúe a mellora-la comprensión da materia e á adquisición das competencias.
Para aprobar a materia é necesario superar tanto o exame final como a avaliación continua.
A entrega dun dos informes de prácticas (ou calquera outra avaliación dunhas prácticas) suporá que o estudante optou por cursar a materia. Polo tanto, a partir dese momento, ao non presentarse aínda ao exame final, considerarase consumida unha oportunidade.
Na segunda avaliación de oportunidade (xullo) mantense a nota da práctica, no caso de ter unha cualificación de 5 ou máis puntos. Noutros casos, o alumno terá que ser avaliado de novo para a parte práctica da materia nesta segunda oportunidade. En todo caso, deberá realizarse o exame final, e non se conservará a nota anterior. A partir de aí, para superar a materia aplicaranse os mesmos criterios xa establecidos para a primeira oportunidade.
Estudantes repetidores: Non se conservarán as avaliacións entre cursos.
En caso de exames fraudulentos, aplicarase o “Normamento de avaliación do rendemento académico dos alumnos e revisión de cualificacións” (https://www.xunta.gal/dog/Publicados/2011/20110721/AnuncioG2018-190711-…. html). A copia total ou parcial dun exercicio práctico ou teórico dará lugar automaticamente a unha nota de 0,0 na materia e oportunidade.
Tempo de traballo presencial: 50 horas (total), divididas en 30 horas (clases expositivas), 20 horas (clases interactivas).
Tempo de traballo persoal: 100 horas (total), que inclúe estudo, exercicios e outras actividades de avaliación.
Recoméndase que o alumnado acuda a clase e resolva, verifique e valide todos os exercicios e prácticas propostos (non só os susceptibles de ser avaliados), utilizando as bibliotecas de aprendizaxe automática utilizadas na materia e mediante programación directa.
Medio docente complementario: curso virtual na plataforma facilitada pola USC, desenvolvido e actualizado constantemente polo profesorado da materia.
A lingua de ensino predominante é o castelán, pero tanto na bibliografía como nos apuntes pode haber parte do contido en inglés.
Manuel Felipe Mucientes Molina
- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Teléfono
- 881816434
- Correo electrónico
- manuel.mucientes [at] usc.es
- Categoría
- Profesor/a: Catedrático/a de Universidade
Jose Maria Alonso Moral
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Teléfono
- 881816432
- Correo electrónico
- josemaria.alonso.moral [at] usc.es
- Categoría
- Profesor/a: Titular de Universidade
Ainhoa Vivel Couso
- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Correo electrónico
- ainhoa.vivel.couso [at] usc.es
- Categoría
- Predoutoral Xunta
| Luns | |||
|---|---|---|---|
| 10:30-12:00 | Grupo /CLE_01 | Castelán | IA.01 |
| 12:00-14:00 | Grupo /CLIL_01 | Castelán | IA.02 |
| Martes | |||
| 12:00-14:00 | Grupo /CLIL_02 | Castelán | IA.02 |
| Xoves | |||
| 09:00-10:30 | Grupo /CLE_01 | Castelán | IA.01 |
| 20.01.2026 16:00-20:00 | Grupo /CLE_01 | IA.01 |
| 20.01.2026 16:00-20:00 | Grupo /CLIL_01 | IA.01 |
| 20.01.2026 16:00-20:00 | Grupo /CLIL_02 | IA.01 |
| 20.01.2026 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 20.01.2026 16:00-20:00 | Grupo /CLIL_02 | IA.02 |
| 20.01.2026 16:00-20:00 | Grupo /CLE_01 | IA.02 |
| 25.06.2026 09:30-14:00 | Grupo /CLE_01 | IA.11 |
| 25.06.2026 09:30-14:00 | Grupo /CLIL_01 | IA.11 |
| 25.06.2026 09:30-14:00 | Grupo /CLIL_02 | IA.11 |