Créditos ECTS Créditos ECTS: 3
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 10 Clase Interactiva: 11 Total: 22
Linguas de uso Inglés
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación
Áreas: Linguaxes e Sistemas Informáticos
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
A materia introduce ao alumnado nas técnicas de aprendizaxe automática aplicables en contornas que presenten restricións na distribución dos datos utilizados na xeración dos modelos: tratamento de fluxos, incorporación de novas experiencias, evolución dos conceptos no tempo ou a preservación da privacidade da información. A súa consideración require unha capacitación específica na aplicación de técnicas de aprendizaxe incremental, detección de obsolescencias e confidencialidade na manipulación de conxuntos de datos.
1. Adquirir os coñecementos sobre o funcionamento das principais técnicas de aprendizaxe incremental
2. Aplicar técnicas de aprendizaxe incremental para a análise de datos en tempo real en conornas estacionarios e non estacionarios.
3. Coñecer o principio de funcionamento das principais paradigmas de aprendizaxe con preservación da privacidade.
A memoria do título contempla para esta materia os seguintes contidos:
Aprendizaxe en tempo real sobre datos continuos (streaming data): Algoritmos incrementales para aprendizaxe supervisada e non supervisado, modelos de aprendizaxe para o tratamento da obsolescencia dos datos e dos cambios de concepto en datos non estacionarios. Paradigmas de aprendizaxe con preservación da privacidade dos datos (Privacy-by-default vs Privacy-by-design).
O contido anterior desenvolverase a través de tres temas principais:
1. Machine Learning En liña
2. Concept Drift
3. Federated Learning
Este temario se intercalará co programa de prácticas que estará formado por dous grandes bloques:
P1. Machine Learning En liña e Concept Drift
P2. Federated Learning
Bibliografía básica
[1]. Bahri, M., Bifet, A., Gama, J., Gomes, H. M., & Maniu, S. (2021). Data stream analysis: Foundations, major tasks and tools.Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery,11(3), e1405.
[2]. Bifet, A., Gavalda, R., Holmes, G., & Pfahringer, B. (2018). Machine learning for data streams: with practical examples in MOA. MIT press
[3]. Gama, J., Žliobait;, I., Bifet, A., Pechenizkiy, M., & Bouchachia, A. (2014). A survey on concept drift adaptation.ACM computing surveys (CSUR),46(4), 1-37.
[4]. Gomes, H. M., Read, J., Bifet, A., Barddal, J. P., & Gama, J. (2019). Machine learning for streaming data: state of the art, challenges, and opportunities.ACM SIGKDD Explorations Newsletter,21(2), 6-22.
[5]. Hoi, S. C., Sahoo, D., Lu, J., & Zhao, P. (2021). Online learning: A comprehensive survey.Neurocomputing,459, 249-289.
[6]. Li, T., Sahu, A. K., Talwalkar, A., & Smith, V. (2020). Federated learning: Challenges, methods, and future directions. IEEE signal processing magazine, 37(3), 50-60.
[7]. Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., & Zhang, G. (2018). Learning under concept drift: A review.IEEE Transactions on Knowledge and Data Engineering,31(12), 2346-2363.
[8]. Orabona, F. (2019). A modern introduction to online learning.arXivpreprint arXiv:1912.13213
[9]. Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2019). Federated machine learning: Concept and applications. ACM Transactions on Intelligent Systems and Technology (TIST), 10(2), 1-19.
Bibliografía complementaria
[1]. AbdulRahman, S., Tout, H., Ould-Slimane, H., Mourad, A., Talhi, C., & Guizani, M. (2020). A survey on federated learning: The journey from centralized to distributed on-site learning and beyond. IEEE Internet of Things Journal, 8(7), 5476-5497.
[2] Bifet, A., Gavalda, R. "Learning from time-changing data with adaptive windowing." In Proceedings of the 2007 SIAM international conference on data mining, pp. 443-448. Society for Industrial and Applied Mathematics, 2007.
[3] Bifet, A., & Gavalda, R. (2009). Adaptive learning from evolving data streams. InAdvances in Intelligent Data Analysis VIII
[4] Bifet, A., Gavalda, R., Holmes, G., & Pfahringer, B. (2018). Machine learning for data streams: with practical examples in MOA. MIT press.
[5]. https://federated.withgoogle.com/
[6]. Gama, J., & Castillo, G. (2006). Learning with local drift detection. InAdvanced Data Mining and Applications: Second International Conference, ADMA 2006, Xi’an, China, August 14-16, 2006Proceedings 2(pp. 42-55). Springer Berlin Heidelberg
[7] Gama, J., Medas, P., Castillo, G., & Rodrigues, P. (2004, September). Learning with drift detection. InBrazilian symposium on artificial intelligence(pp. 286-295). Springer, Berlin, Heidelberg.
[8] Ghesmoune, M., Lebbah, M., & Azzag, H. (2016). State-of-the-art on clustering data streams. Big Data Analytics, 1, 1-27.
[9] Gomes, H. M., Montiel, J., Mastelini, S. M., Pfahringer, B., & Bifet, A. (2020, July). On ensemble techniques for data stream regression. In 2020 International Joint Conference on Neural Networks (IJCNN) (pp. 1-8). IEEE.
[10] McMahan, B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017, April). Communication-efficient learning of deep networks from decentralized data. In Artificial intelligence and statistics (pp. 1273-1282).
[11] Rahman, K. J., Ahmed, F., Akhter, N., Hasan, M., Amin, R., Aziz, K. E., ... & Islam, A. N. (2021). Challenges, applications and design aspects of federated learning: A survey.IEEE Access,9, 124682-124700.
A memoria do título contempla para esta materia as seguintes competencias:
Competencias básicas e xenerais
CG2 - Abordar con éxito todas as etapas dun proxecto de Intelixencia Artificial.
CG3 - Buscar e seleccionar a información útil necesaria para resolver problemas complexos, manexando con soltura as fontes bibliográficas do campo.
CG4 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables no campo.
CG5 - Traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións.
CB6 - Posuír e comprender coñecementos que acheguen unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación
CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en contornas novas ou pouco coñecidas dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo
CB8 - Que os estudantes sexan capaces de integrar coñecementos e enfrontarse á complexidade de formular xuízos a partir dunha información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociais e éticas vinculadas á aplicación dos seus coñecementos e xuízos
Competencias transversais
CT3 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida.
CT7 - Desenvolver a capacidade de traballar en equipos interdisciplinares ou transdisciplinares, para ofrecer propostas que contribúan a un desenvolvemento sostible ambiental, económico, político e social.
CT8 - Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade.
CT9 - Ter a capacidade de xestionar tempos e recursos: desenvolver plans, priorizar actividades, identificar as críticas, establecer prazos e cumprilos.
Competencias específicas
CE10.- Capacidade para a construción, validación e aplicación dun modelo estocástico dun sistema real a partir dos datos observados e a análise crítica dos resultados obtidos.
CE11.- Comprensión e dominio das principais técnicas e ferramentas de análises de datos, tanto desde o punto de vista estatístico como da aprendizaxe automática, incluíndo as dedicadas ao tratamento de grandes volumes de datos, e capacidade para seleccionar as máis adecuadas para a resolución de problemas.
CE12.- Capacidade para expor, formular e resolver todas as etapas dun proxecto de datos, incluíndo a compresión e dominio de fundamentos e técnicas básicas para a procura e o filtrado de información en grandes coleccións de datos
CE15.- Coñecemento das ferramentas informáticas no campo da aprendizaxe automática, e capacidade para seleccionar a máis adecuada para a resolución dun problema
Os contidos da materia impartiranse de maneira indistinta entre as clases expositivas e as clases interactivas. A realización de todas as actividades propostas é necesaria para superar a materia.
Clases Expositivas (teoría): consistirán na explicación dos diferentes apartados do programa da materia, coa axuda de medios electrónicos (presentacións, vídeos etc.).
Clases interactivas (prácticas): exporanse diferentes problemas prácticos relacionados co contido da materia para que o alumno resolva de forma individual ou en grupos.
Estudo de casos: poderanse expor ao alumnado escenarios de traballo, reais ou ficticios, que presenten determinadas problemáticas. O alumnado deberá aplicar os coñecementos teórico-prácticos da materia para buscar unha solución á cuestión ou cuestións expostas. Como norma xeral, o estudo de casos realizarase en grupos. Os distintos grupos de traballo expoñerán e poñerán en común as súas solucións.
Aprendizaxe por proxectos: poderase expor ao alumnado proxectos prácticos cuxo alcance requira que se lle dedique un parte importante da dedicación total do alumno á materia.
Traballo autónomo: o alcance e obxectivos dos proxectos, casos de uso e/o problemas prácticos poderán requirir do traballo autónomo por parte de alumnado, aínda que coa tutela do profesorado.
Titorías: As sesións de titorías servirán para resolver as dúbidas do alumnado relacionadas cos contidos da materia. Estas titorías serán tanto presenciais como virtuais a través de correo electrónico, campus virtual ou plataforma Microsoft Teams.
Curso Virtual: Esta materia dispoñerá dun curso virtual a través do que se facilitará ao alumnado todo o material necesario en formato dixital. Proporcionarase tamén distintas ferramentas de comunicación para o apoio, tanto da docencia como das titorías, incluíndo videoconferencia, chat, correo electrónico, foros…
Para superar a materia, o alumno terá que realizar todas as actividades que se propoñan e superar os exames correspondentes.
Primeira oportunidade:
Para superar a materia, o alumno deberá entregar e superar as actividades propostas (50% da cualificación final) e aprobar o exame final (50% da cualificación).
Exames parciais:
Non se realizará ningún exame parcial.
Segunda oportunidade:
Mantense a nota conseguida nas prácticas durante o curso e tamén o seu peso na nota final. Os alumnos que non alcanzasen a nota de corte nas actividades propostas durante a convocatoria anterior, poderán entregar, en data previa ao exame final de segunda oportunidade, actividades similares ás non superadas, que serán propostas polos docentes. Unha vez aprobadas ambas as partes por separado, o exame será o 50% da nota final e as prácticas o 50% restante.
Dispensa de asistencia:
En caso de dispensa de asistencia os alumnos examinaranse nas mesmas condicións que os alumnos en primeira convocatoria
Alumnos repetidores:
Os alumnos repetidores de anos anteriores examinaranse nas mesmas condicións que os alumnos en primeira convocatoria
Non presentado:
O alumno recibirá a cualificación de "non presentado" cando non se realice o exame final.
Realización fraudulenta de exercicios ou probas:
Para os casos de realización fraudulenta de exercicios ou probas será de aplicación o recolleito na “Normativa de avaliación do rendemento académico dous estudantes e de revisión de cualificacións” da USC.
Avaliación das competencias:
En xeral o desenvolvemento das actividades prácticas, proxectos e casos de uso, así como a preparación dos temas teóricos permitirá ao alumnado traballar as competencias básicas, xerais e transversais da materia. En concreto, a través dos proxectos e casos de uso valoraranse as competencias CT7, CT9, CG5 CG4, CG2
O desenvolvemento das prácticas, así como a proba final permitirá avaliar as competencias específicas: CE10, CE11, CE12, CE15
A materia ten fixada unha carga de traballo de 3 ECTS. Este dato conduce a unha carga de traballo de 75 horas que se reparte da seguinte maneira:
Traballo presencial na aula:
Clases teóricas: 10 horas
Clases prácticas: 7 horas
Aprendizaxe baseada en problemas, seminarios, estudos de casos e proxectos: 4 horas
Traballo persoal do alumno
Clases teóricas: 10 horas
Clases prácticas: 21 horas
Aprendizaxe baseada en problemas, seminarios, estudos de casos e proxectos: 23 horas
Idioma principal: a materia impartirase en inglés
David Mera Perez
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Linguaxes e Sistemas Informáticos
- Correo electrónico
- david.mera [at] usc.es
- Categoría
- Profesor/a: Profesor Contratado/a Doutor
| Xoves | |||
|---|---|---|---|
| 17:00-18:30 | Grupo /CLE_01 | Inglés | IA.02 |
| 18:30-20:00 | Grupo /CLIL_01 | Inglés | IA.02 |
| 28.05.2025 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 28.05.2025 16:00-20:00 | Grupo /CLE_01 | IA.02 |
| 03.07.2025 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 03.07.2025 16:00-20:00 | Grupo /CLE_01 | IA.02 |