Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Traballo do Alumno/a ECTS: 102 Horas de Titorías: 6 Clase Expositiva: 18 Clase Interactiva: 24 Total: 150
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación, Estatística, Análise Matemática e Optimización
Áreas: Ciencia da Computación e Intelixencia Artificial, Estatística e Investigación Operativa
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
O obxectivo deste curso é proporcionar ao alumnado algúns conceptos básicos da aprendizaxe estatística, entendendo como tales as técnicas que permiten describir e modelar conxuntos de datos complexos. En concreto, o curso centrarase nas técnicas de aprendizaxe supervisada. Na primeira parte inclúense os modelos de regresión lineal simple e múltiple, para os que se considerarán técnicas de selección de variables e de regularización para a redución da dimensión, así como o modelo de regresión loxística e técnicas de análises discriminante. Tamén se introducirán ferramentas como as máquinas de soporte vectorial e as redes neuronais.
Introdución
Inferencia estatística
Optimización convexa
Métodos lineais para regresión
Métodos lineais para clasificación
Redución da dimensión
Métodos núcleo e splines
Selección de modelos
Métodos baseados en veciños máis próximos
Árbores
Redes de neuronas artificiais
Máquinas de soporte vectorial
Ensembles: boosting e bagging
Bibliografía básica y complementaria
Textos básicos:
JAMES, Gareth, WITTEN, Daniela, HASTIE, Trevor, TIBSHIRANI, Robert. An Introduction to Statistical Learning with Applications in R. Ed. 1, New York: Springer, 2013. ISBN 978-1-4614-7137-0.
HASTIE, Trevor, TIBSHIRANI, Robert, FRIEDMAN, Jerome. The elements of statistical learning: data mining, inference, and prediction. Ed. 2, New York: Springer, 2009. ISBN 978-0-3878-4857-0.
Textos complementarios:
BISHOP, Christopher M. Pattern recognition and machine learning. Ed. 1, New York: Springer, 2006. ISBN: 978-0-3873-1073-2.
BISHOP, Christopher M. Neural networks for pattern recognition. Ed. 1, Oxford: Oxford University Press, 2002. ISBN: 0-19-853864-2.
O alumno posuirá e comprenderá coñecementos que aporten unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación.
Os estudantes saberán 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.
Os estudantes serán 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.
Os estudantes posuirán as habilidades de aprendizaxe que lles permitan continuar estudando dun modo que haberá de ser en gran medida autodirixido ou autónomo.
O alumno adquirirá a capacidade de traballo autónomo e toma de decisións.
O alumno adquirirá capacidade analítica, crítica e de síntese.
O alumno mellorará a súa creatividade.
Os estudantes saberán sintetizar e describir unha gran cantidade de datos seleccionando os estatísticos adecuados ao tipo de variables e analizar as relacións existentes entre elas.
Os alumnos adquirirán a capacidade para modelar a dependencia entre unha variable resposta e varias variables explicativas, en conxuntos de datos complexos, mediante técnicas de regresión, e interpretando os resultados obtidos.
Os estudantes adquirirán a capacidade para analizar un conxunto dado de variables mediante técnicas de clasificación interpretando os resultados obtidos.
Competencias da titulación que se traballan (ver memoria título):
Básicas: CB6, CB7, CB8, CB10.
Transversais/xerais: G2, G4, G5.
Específicas: E6, E7, E8.
As actividades docentes comprenden sesións expositivas, interactivas e tutorías. Nas sesións expositivas, o profesorado explicará os conceptos teórico-prácticos dos contidos, presentando algúns exemplos tipo. Respecto ao material para o seguimiento da materia, ademais da bibliografía recomendada, o alumnado dispoñerá de material docente complementario.
A docencia interactiva realizarase en aula de informática, onde se introducirá ao alumnado no manexo do paquete R para a análise estatística de datos, así como no uso de librerías para aprendizaxe automática. Tamén se traballará sobre os casos prácticos que terán que resolver. Para o seguimiento das sesións na aula de informática, facilitarase ao alumnado os guións das prácticas. Estas sesións permiten ao alumnado familiarizarse, desde un punto de vista práctico, cos conceptos expostos nas clases teóricas.
As tutorías están destinadas ao seguimiento da aprendizaxe do alumnado. Nas sesións de tutoría realizaranse distintas actividades que permitan ao alumnado alcanzar unha visión de conxunto da materia e, ao mesmo tempo, identificar en que aspectos deben mellorar. Tamén se utilizarán estas sesións para evaluar o progreso do alumnado na realización dos traballos a desenvolver dentro da materia.
Actividades formativas de carácter presencial e a súa relación coas competencias da titulación:
Clases teóricas: CB6, CB8, E6.
Clases prácticas: CB6, CB7, G2, G4, G5, E7, E8.
Tutorías programadas: G4, E6.
Actividades formativas de carácter non presencial e a súa relación coas competencias da titulación:
Traballo persoal do alumno. Consulta de bibliografía, estudo autónomo, desenvolvemento de actividades programadas, preparación de presentacións e traballos: CB7, CB10, G2, G4, G5, E7, E8.
Realización de prácticas: 50%. Avaliarase mediante a corrección dos exercicios entregados e/ou mediante test de autoavaliación.
Exame final: 50%.
Para aprobar a materia é imprescindible superar ambas as partes por separado. A nota final da materia será a media aritmética das prácticas e o exame, excepto naquelas situacións nas que non se aprobou algunha das dúas partes, nese caso a nota final será o mínimo entre prácticas e exame.
Na avaliación de xullo mantense a nota de prácticas, no caso de ter unha cualificación da mesma de 5 ou máis puntos. Noutro caso o estudante terá que ser avaliado de novo da parte de prácticas da materia nesta segunda oportunidade. En calquera caso, deberase facer o exame final, non conservándose a nota anterior.
Para os casos de realización fraudulenta de exercicios ou probas será de aplicación o recollido na Normativa de avaliación do rendemento académico dos estudantes e de revisión de cualificacións
Clases teóricas: 21h.
Clases prácticas: 21h.
Tutorías programadas: 2h.
Exame: 2h.
Traballo persoal do alumno: 104h.
Total: 150h.
É aconsellable a asistencia ás clases e o seguimiento regular do material proporcionado polos profesores. Tamén é importante a lectura da bibliografía recomendada.
Aínda que non é imprescindible, ter coñecementos previos de inferencia estatística e do software estatístico R facilitará considerablemente a aprendizaxe da materia.
Faise uso do campus virtual.
Manuel Felipe Mucientes Molina
Coordinador/a- 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 Ameijeiras Alonso
- Departamento
- Estatística, Análise Matemática e Optimización
- Área
- Estatística e Investigación Operativa
- Correo electrónico
- jose.ameijeiras [at] usc.es
- Categoría
- Profesor/a: Profesor Axudante Doutor LOU
| Martes | |||
|---|---|---|---|
| 17:15-18:30 | Grupo /CLE_01 | Castelán | PROXECTOS |
| 13.01.2025 16:00-19:45 | Grupo /CLE_01 | IA.01 |
| 13.01.2025 16:00-19:45 | Grupo /CLIL_01 | IA.01 |
| 24.06.2025 16:00-19:45 | Grupo /CLIL_01 | IA.01 |
| 24.06.2025 16:00-19:45 | Grupo /CLE_01 | IA.01 |