Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Titorías: 3 Clase Expositiva: 24 Clase Interactiva: 24 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 Politécnica Superior de Enxeñaría
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable
Coñecer as técnicas de aprendizaxe supervisada (para regresión e clasificación, especialmente redes neuronais, aprendizaxe profunda, máquinas de vectores de soporte e ensambles) e non supervisado (especialmente agrupamento, selección de características e redución de dimensionalidade), xunto coa capacidade de aplicalas na implementación de controladores de calquera tipo de robot.
Introdución á aprendizaxe automática. Árbores de decisión. Selección de características e redución da dimensionalidade. Regresión lineal e métodos de clasificación. Redes neuronais e aprendizaxe profunda. Agrupación: kmeas, agrupación xerárquica. Soporte de máquinas vectoriais. Conxuntos
Bibliografía básica:
- Machine Learning. Tom mitchell. Publisher: McGraw Hill, 1997
- 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.
O alumno que supere o curso con éxito será capaz de:
Coñecementos:
Con54. Discutir técnicas de aprendizaxe supervisada e non supervisada.
Habilidade:
H/D59. Aplicar técnicas de aprendizaxe automática na implantación de controladores de calquera tipo de robot.
Competencia:
Comp14. Coñecer as técnicas de intelixencia artificial empregadas na robótica industrial e de servizos, saber utilizalas en aplicacións robóticas fixas e móbiles.
Comp15. Utilizar e implementar métodos de aprendizaxe computacional na análise de datos sensoriais e para a toma de decisións en sistemas robóticos.
Comp19. Comprender e saber programar as técnicas de análise, procesamento, detección, recoñecemento e seguimento de patróns nos distintos tipos de sinais procedentes de distintos sensores e cámaras dentro do contorno dun robot.
Os contidos da materia impartiranse tanto en clases expositivas de teoría como en clases interactivas de prácticas. Ambos os tipos de clases iranse alternando ao longo do semestre, de tal modo que as prácticas afianzarán os conceptos mostrados en teoría.
As clases de teoría expositivas desenvolveranse na aula por parte do profesorado, apoiado por medios electrónicos (presentacións electrónicas, vídeos, documentos técnicos complementarios...) dispoñibles no Campus Virtual da USC. Ditas clases seguirán os contidos pormenorizados da materia que aparezan reflectidos na programación docente anual. As presentacións maxistrais do profesor combinaranse coa proposta de exercicios específicos para afianzar os conceptos presentados. Estes exercicios serán resoltos polos alumnos (en clase ou en casa) para despois ser corrixidos en clase dunha maneira participativa.
A docencia das prácticas, realizadas en grupos reducidos de 20 alumnos e de carácter interactivo, serán actividades complementarias ás clases teóricas expositivas. Serán desenvoltas en laboratorios de robótica con robots reais e en clases de informática baixo a supervisión do profesorado. Os alumnos seguirán de maneira autónoma os guións das prácticas específicas dispoñibles no Campus Virtual da USC. Estas actividades non só permitirán ao alumnado a comprensión dos conceptos teóricos mediante a súa posta en práctica senón que tamén lles permitirán a adquisición de habilidades necesarias para aplicar algoritmos de aprendizaxe automática no seu futuro profesional.
Así mesmo, nas titorías atenderase ao alumnado para discutir, comentar, aclarar ou resolver cuestións concretas en relación coas súas tarefas dentro da materia (recompilación de información, preparación de probas de avaliación, prácticas, traballos...). Estas titorías serán tanto presenciais como virtuais a través de correo electrónico, campus virtual ou a plataforma Microsoft Teams.
Poderase propoñer a posible realización de traballos voluntarios que fomenten a creatividade do alumno, motivación, etc., e que permitan que profunden nalgúns dos contidos da materia, ou exploren alternativas non cubertas directamente nos contidos impartidos polo profesor. (2) Por outra banda, haberá unha última proba final que poderá conter exercicios teóricos e/ou prácticos. A proba final representará o 60% do total da materia, mentres que o 40% restante represéntano as probas (as prácticas entregables mencionadas no punto 1, traballos, cuestionarios, etc.) que se propoñan na aula. Considerarase superada a materia se entre as dúas modalidades de avaliación se obtén unha nota global ponderada igual ou superior a 5 puntos (sobre 10), e na proba final obtense unha cualificación igual ou superior a 4 puntos (sobre 10).
O alumno recibirá a cualificación de " non presentado" cando non faga o exame final.
Para os casos de realización fraudulenta de exercicios ou probas será de aplicación o establecido na “Normativa de avaliación do rendemento académico dous estudantes e de revisión dás cualificacións”
A asistencia tanto ás clases teóricas como prácticas será obrigatoria, salvo por causa xusta. Para aqueles alumnos que teñan dispensa, o sistema de avaliación será o mesmo non terán obrigación de asistir ás clases teóricas, pero mantense a obrigación de asistencia ás prácticas de laboratorio.
Avaliación de segunda oportunidade: Os alumnos poderán entregar en data previa o exame da segunda oportunidade, aquelas actividades que lle expoña o profesor, correspondentes a aquelas que non superasen na convocatoria anterior. Poderá haber unha defensa de traballos co profesor. Por outra banda, haberá un exame de segunda oportunidade, en consonancia co que sucede na primeira oportunidade e cuxo peso na cualificación final é o mesmo.
Avaliación de repetidores: os alumnos repetidores serán avaliados do mesmo xeito que os alumnos da primeira oportunidade.
A materia ten unha carga de traballo de 6 ECTS dividida da seguinte forma:
- 1. Traballo na aula (60 horas presenciais)
- 1.1. Clases expositivas teóricas (en grupo grande): 24 horas
- 1.2. Prácticas (con pequenos grupos): 24 horas
- 1.3. Titorías de grupo: 3 horas
- 1.4. Titorías individualizadas: 4 horas
- 1.5. Actividades de avaliación: 5 horas
- 2. Traballo persoal do alumnado (90 horas non presenciais)
- 2.1. Lectura, revisión de temas e exercicios de teoría: 24 horas
- 2.2. Preparación de exercicios e informes de prácticas: 48 horas
- 2.3. Preparación de titorías de grupo: 4 horas
- 2.4. Preparación de titorías individualizadas: 7 horas
- 2.5. Preparación de probas de avaliación: 7 horas
Debido á alta correlación existente entre os conceptos desenvolvidos nas clases de teoría e os contidos das prácticas, recoméndase aos alumnos constancia no estudo da materia, acudindo ás sesións de prácticas cos conceptos teóricos revisados e os exercicios resoltos. A realización das prácticas axudará ao afianzamento dos conceptos teóricos e á súa utilización en situacións reais.
Francisco Javier Garcia Polo
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Correo electrónico
- franciscojavier.garcia.polo [at] usc.es
- Categoría
- Profesor/a: Titular de Universidade