Créditos ECTS Créditos ECTS: 3
Horas ECTS Criterios/Memorias Horas de Titorías: 4.5 Clase Expositiva: 14 Clase Interactiva: 14 Total: 32.5
Linguas de uso Castelán, Galego
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 para o desenvolvemento de xemelgos dixitais en contornas industriais. En particular perséguese que o alumno, ao finalizar a materia, sexa capaz de:
- Coñecer e comprender os fundamentos do preprocesado de datos para plantas industriais.
- Empregar técnicas para realizar a limpeza e preprocesado de datos IoT para algoritmos de aprendizaxe máquina.
- Preprocesado de datos en plantas industriais.
- Introdución á detección de anomalías.
- Selección de características.
- Desenvolvemento de xemelgos dixitais para plantas industriais. Modelos con memoria baseados en Aprendizaxe Automática. Modelos de aprendizaxe incremental.
- Técnicas de optimización automática. Adaptación das técnicas clásicas aos procesos industriais.
Bibliografía básica
[1]. Brink, Henrik, Joseph W Richards, and Mark Fetherolf. Real-World Machine-Learning. Shelter Island, NY: Manning, 2017. Print.
[2]. Kostadinov, Simeon. Recurrent Neural Networks with Python Quick Start Guide : Sequential Learning and Language Modeling with TensorFlow. 1st edition. Birmingham ; Packt Publishing, 2018. Print.
[3]. Li, J., Cheng, K., Wang, S., Morstatter, F., Trevino, R. P., Tang, J., & Liu, H. Feature selection: A data perspective. ACM computing surveys (CSUR), 2017, 50(6), 1-45.
Bibliografía complementaria
[1]. Bernico, Michael. Deep Learning Quick Reference : Useful Hacks for Training and Optimizing Deep Neural Networks with TensorFlow and Keras. First edition. Birmingham, England ; Packt, 2018. Print.
[2]. Artasanchez, Alberto, and Prateek Joshi. Artificial Intelligence with Python : Your Complete Guide to Building Intelligent Apps Using Python 3.x and TensorFlow 2. Second edition. Birmingham ; Packt Publishing, 2020. Print.
[3]. Gomes, H. M., Read, J., Bifet, A., Barddal, J. P., & Gama, J.. Machine learning for streaming data: state of the art, challenges, and opportunities.ACM SIGKDD Explorations Newsletter, 2019, 21(2), 6-22.
A memoria do título contempla para esta materia as seguintes competencias específicas:
- I-CP3: Analizar e interpretar os fluxos de datos IIoT nunha empresa industrial
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 videoconferencia. As titorías síncronas requirirán cita previa.
Primeira oportunidade:
Para aprobar a materia, o alumno deberá completar e aprobar os traballos prácticos (30%) e tutelados (30%) 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 ambas todas as partes avaliadas por separado, o exame será o 40% da nota final e as prácticas o 60% restante (30% traballos prácticos e 30% traballos tutelados). 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 avaluadas 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 (USC, UDC, Uvigo). 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 3,0 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 75,0 horas (3,0 ECTS x 25 horas por ECTS).
A carga de traballo presencial está fixada en 12 horas de docencia expositiva, 12 horas de docencia interactiva. Por tanto, o traballo persoal dos/as estudantes debe supoñer 51 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
Martes | |||
---|---|---|---|
15:30-17:00 | Grupo /CLE_01 | Castelán | Aula A10 |
17:00-18:30 | Grupo /CLIL_01 | Castelán | L.B.3.Laboratorio de enxeñería Ambiental |