Créditos ECTS Créditos ECTS: 4.5
Horas ECTS Criterios/Memorias Traballo do Alumno/a ECTS: 71.5 Horas de Titorías: 1 Clase Expositiva: 10 Clase Interactiva: 30 Total: 112.5
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 Técnica Superior de Enxeñaría
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable
Entender os principais conceptos asociados á aprendizaxe automática, así como os seus fundamentos matemáticos. Analizar algunhas das estratexias máis relevantes e máis amplamente aplicadas no deseño automático de regresores e clasificadores, así como das aproximacións supervisadas, non supervisadas e de aprendizaxe por reforzo. Ademáis de analizar os pros e contras das distintas aproximacións estudiadas, veranse algúns problemas frecuentes que poden derivarse do conxunto de datos de entrenamento e teste utilizados, tanto intrínsecas como por un uso inadecuado dos mesmos.
Tema 1. Conceptos preliminares da aprendizaxe automática
Tema 2. Reducción de dimensionalidade
Tema 3. Clasificación e regresión lineares
Tema 4. Árbores de decisión
Tema 5. Comités
Tema 6. Redes neuronais e aprendizaxe profunda
Tema 7. Máquinas de vectores de soporte
Tema 8. Agrupamento
Tema 9. Aprendizaxe por reforzo
Básica:
Theodoridis: Machine learning: a Bayesian and optimization perspective, Academic Press, ISBN 9780128188033
C.M. Bishop. Pattern recognition and machine learning, Springer, 2006, ISBN: 978-0387310732
R.O. Duda, P.E. Hart, D.G. Stork. Pattern classification. Wiley Interscience, 2000. ISBN: 978-0471056690
R.S. Sutton, A.G. Barton. Reinforcement learning: an introduction. MIT Press, 2nd Edition, 2018. ISBN: ISBN: 978-0262039246
Complementaria:
H. Daume. A course in machine learning. Autopublicado, 2017
P. Harrington. Machine learning in action. O'Reilly, 2012. ISBN 978-1617290183
J. Hurwitz, D. Kirsch. Machine learning for dummies. John Wiley & Sons, Inc., 2018. ISBN 9781119454953
La mujer invisible. Criado Pérez, Caroline. Barcelona : Seix Barral, 2020
CG8: Coñecemento das materias básicas e tecnoloxías, que capaciten para a aprendizaxe e desenvolvemento de novos métodos e tecnoloxías, así como as que lles doten dunha grande versatilidade para adaptarse a novas situacións.
CG9: Capacidade para resolver problemas con iniciativa, toma de decisións, autonomía e creatividade. Capacidade para saber comunicar e transmitir os coñecementos, habilidades e destrezas da profesión de Enxeñeiro en Informática.
TR1: Instrumentais: Capacidade de análise e síntese. Capacidade de organización e planificación. Comunicación oral e escrita en galego,
castellán e inglés. Capacidade de xestión da información. Resolución de problemas. Toma de decisións.
FB3: Capacidade para comprender e dominar os conceptos básicos da matemática discreta, lóxica, algorítmica e complexidade computacional, e a súa aplicación para a resolución de problemas propios da enxeñaría.
RI5: Coñecemento, administración e mantemento de sistemas, servizos e aplicacións informáticas.
Nesta asignatura úsanse librarías software que implementan métodos de aprendizaxe versátil a partir de datos con adaptación a novas situacións (competencia CG8). Tamén se realizan procesos de extracción de información que esixen tomar decisións de forma creativa e comunicar a información obtida a partir dos datos (CG9) de forma oral e escrita, planificando as estratexias de aprendizaxe e validación dos métodos usados (TR1). Os métodos estudados empregan conceptos de matemática discreta, e a análise da súa algorítmica e complexidade computacional son fundamentais para a súa aplicación a grandes volumes de datos (FB3). Finalmente, é necesaria a administración dos sistemas e aplicacións que implementan os métodos estudados (RI5).
Clases expositivas (10 h): presentacións tipo clase maxistral para expoñer os contidos dos distintos temas, con especial énfase na explicación e asimilación de conceptos, fundamentos matemáticos e potencial utilidade da aprendizaxe automática.
Clases interactivas (30 h): resolución de problemas prácticos de clasificación, regresión, agrupamento, reducción da dimensionalidade e aprendizaxe por reforzo.
Exame final con preguntas tipo test e de resposta curta sobre os contidos abordados nas clases expositivas: 40% da nota final.
Avaliación continua: avaliación da realización e resultados conseguidos nas distintas prácticas da materia: 60% da nota final.
Para aprobar a materia é necesario ter cando menos un 4 en cada parte, e que a nota media sexa igual ou superior a 5.
A entrega dalgún dos boletíns de prácticas (ou realizada calquera outra avaliación dalgunha práctica) suporá que o alumno optou por presentarse á materia. Polo tanto, a partir dese momento, aínda non presentándose ao exame final, suporase consumida unha oportunidade.
De ter que presentarse á segunda oportunidade (xullo), conservaranse as notas de calquera das partes avaliadas (exame final ou avaliación continua, centrada nas prácticas), sempre que dita nota sexa igual ou superior a 5. Doutro xeito terán que repetirse ambas partes. A partir de aí, para aprobar a materia aplicarase o mesmo criterio xa exposto para a primeira oportunidade.
En caso de realización fraudulenta de exames aplicarase a "Normativa de avaliación do rendemento académico d@s estudant@s e de revisión de cualificacións".
Traballo presencial:
Clases expositivas: 10h
Clases interactivas de laboratorio en ordenador: 30h
Actividades de avaliación: 5h
Total: 45h
Traballo persoal:
Estudo autónomo: 19h
Realización de exercicios: 7h
Programación en ordenador: 28h
Avaliación de exames: 13h
Total: 67h
Asistencia a clase e realización das prácticas propostas usando as librarías de aprendizaxe automática empregadas na asignatura e mediante programación directa
Os contidos de apoio á materia, tanto das clases expositivas como interactivas, estarán dispoñibles no campus virtual da materia.
A lingua predominante de impartición da materia será o galego.
Senén Barro Ameneiro
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Teléfono
- 881816469
- Correo electrónico
- senen.barro [at] usc.es
- Categoría
- Profesor/a: Catedrático/a de Universidade
Nicolas Vila Blanco
- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Correo electrónico
- nicolas.vila [at] usc.es
- Categoría
- Profesor/a: Profesor Axudante Doutor LOU
| Martes | |||
|---|---|---|---|
| 09:00-11:30 | Grupo /CLIL_02 | Galego | IA.S2 |
| 15:30-16:30 | Grupo /CLE_01 | Galego | IA.S1 |
| 16:30-17:30 | Grupo /CLE_01 | Galego | IA.S1 |
| 23.01.2025 16:00-20:00 | Grupo /CLIL_01 | Aula Traballo |
| 23.01.2025 16:00-20:00 | Grupo /CLIL_02 | Aula Traballo |
| 23.01.2025 16:00-20:00 | Grupo /CLE_01 | Aula Traballo |
| 23.05.2025 16:00-20:00 | Grupo /CLE_01 | Aula A1 |
| 23.05.2025 16:00-20:00 | Grupo /CLIL_01 | Aula A1 |
| 23.05.2025 16:00-20:00 | Grupo /CLIL_02 | Aula A1 |
| 08.07.2025 10:00-14:00 | Grupo /CLIL_01 | Aula A3 |
| 08.07.2025 10:00-14:00 | Grupo /CLIL_02 | Aula A3 |
| 08.07.2025 10:00-14:00 | Grupo /CLE_01 | Aula A3 |