Créditos ECTS Créditos ECTS: 4.5
Horas ECTS Criterios/Memorias Horas de Titorías: 6.75 Clase Expositiva: 30 Clase Interactiva: 12 Total: 48.75
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación, Departamento externo vinculado ás titulacións
Áreas: Linguaxes e Sistemas Informáticos, Área externa M.U en Internet de las Cosas - IoT
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. En particular perséguese que o alumno, ao finalizar a materia, sexa capaz de:
- Coñecer e comprender os conceptos fundamentais sobre aprendizaxe automática para IoT.
- Implementar algoritmos de aprendizaxe máquina supervisado/non supervisado con redes neuronais clásicas e profundas.
- Aplicar os coñecementos adquiridos e resolver problemas en contornas novas ou pouco coñecidos dentro de contextos máis amplos e mulitidisciplinares, sendo capaces de integrar coñecementos.
- Introdución á aprendizaxe automática e metodoloxías para o desenvolvemento de modelos.
- Preprocesado de datos e técnicas de redución de dimensionalidade.
- Aprendizaxe supervisada: Clasificación e regresión.
- Aprendizaxe non supervisada.
- Aprendizaxe por reforzo.
- Redes Neuronais Artificiais e Deep Learning.
- Introdución á aprendizaxe no bordo e distribuído/federado.
Bibliografía básica
[1]. Alpaydin, E. (2010). Introduction to machine learning. MIT press.
[2]. Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. Second edition. Cambridge (Massachusetts): MIT Press.
[3]. Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2021). Dive into deep learning. arXiv preprint arXiv:2106.11342.
[4]. 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]. Brink, H., Richards, J., & Fetherolf, M. (2017). Real-world machine learning. Shelter Island, NY: Manning
[2]. Yang Q., Liu Y., Cheng Y., Kang, Y, Chen T. Yu H. (2020). Federated Learning. Springer, https://doi.org/10.1007/978-3-031-01585-4.
A memoria do título contempla para esta materia as seguintes competencias:
- Integrar tecnoloxías como o Aprendizaxe Máquina, o tratamento de datos masivos, as Tecnoloxías de Rexistro Distribuído (DLT), a computación no bordo, entre outras, para o desenvolvemento de sistemas IoT máis intelixentes e eficientes.
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.
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 de vídeo conferencia. As titorías síncronas requirirán cita previa.
Primeira oportunidade:
Para aprobar a materia, o alumno deberá completar e aprobar os traballos prácticos (35%) e tutelados (25%) propostos, que representan o 60% da cualificación final, así como superar o exame final, que constitúe o 40% restante. Para iso, será necesario obter unha nota igual ou superior a 5 na cualificación global. Ademais, requírese alcanzar polo menos un 4 en cada unha das partes avaliadas para que se poida promediar.
As preguntas do exame final centraranse nos contidos específicos que se desenvolveron na materia en relación coas súas competencias e que poderán ser adquiridos polo alumno tanto na parte expositiva como na interactiva.
Exames parciais:
Non se realizará ningún exame parcial.
Segunda oportunidad:
Mantense a nota conseguida nas prácticas (traballos prácticos e tutelados) 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 todas as partes por separado, o exame será o 40% da nota final e as prácticas o 60% restante (traballos prácticos 35% e tutelados 25%). Para aprobar a materia será necesario obter unha nota igual ou superior a 5 na cualificación global. Ademais, requírese alcanzar polo menos un 4 en cada unha das partes avaliadas para que se poida promediar.
As preguntas do exame final centraranse nos contidos específicos que se desenvolveron na materia en relación coas súas competencias e que poderán ser adquiridos polo alumno tanto na parte expositiva como na interactiva.
Alumnos repetidores e/o con dispensa de asistencia:
Os alumnos repetidores e/o con dispensa de asistencia 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 recollido nas normativas de avaliación do rendimento oficiais de cada institución. En particular, se se detecta calquera forma de plaxio nalgunha das probas ou exames, a cualificación final será SUSPENSO (0), e denunciarase o incidente ás autoridades académicas correspondentes.
A materia ten fixada, segundo a memoria do máster, unha carga de traballo de 4,5 ECTS. Dado que se fixou en 25 o número de horas correspondentes a cada ECTS, a carga total de traballo para a materia sitúase en 112,5 horas (4,5 ECTS x 25 horas por ECTS).
A carga de traballo presencial está fixada en 24 horas de docencia expositiva, 12 horas de docencia interactiva. Por tanto, o traballo persoal dos/as estudantes debe supoñer 76,5 horas.
O alumno debería levar ao día a materia para poder aplicar nos exercicios prácticos os coñecementos adquiridos de forma teórica.
Idioma principal: a materia impartirase en castelán
David Mera Perez
- Departamento
- Electrónica e Computación
- Área
- Linguaxes e Sistemas Informáticos
- Correo electrónico
- david.mera [at] usc.es
- Categoría
- Profesor/a: Profesor Contratado/a Doutor
Luns | |||
---|---|---|---|
15:30-17:00 | Grupo /CLE_01 | Castelán | Aula A10 |
17:00-18:30 | Grupo /CLIL_01 | Castelán | Aula A10 |
Mércores | |||
15:30-17:00 | Grupo /CLE_01 | Castelán | Aula A10 |