Créditos ECTS Créditos ECTS: 4.5
Horas ECTS Criterios/Memorias Horas de Tutorías: 2 Clase Expositiva: 14 Clase Interactiva: 22 Total: 38
Lenguas de uso Castellano (32.35%), Gallego (67.65%)
Tipo: Materia Ordinaria Grado RD 1393/2007 - 822/2021
Departamentos: Electrónica y Computación
Áreas: Ciencia de la Computación e Inteligencia Artificial
Centro Facultad de Administración y Dirección de Empresas
Convocatoria: Primer semestre
Docencia: Con docencia
Matrícula: Matriculable
Al completar la materia el estudiante será capaz de:
- Conocer y saber diferenciar los diferentes modelos de aprendizaje automático.
- Saber aplicar el modelo más apropiado de aprendizaje automático para un problema determinado de explotación de datos en el ámbito empresarial.
- Saber utilizar plataformas software para construir modelos basados en aprendizaje automático a partir de datos.
- Saber reducir la dimensionalidad de los datos de un problema en el ámbito empresarial para facilitar su tratamiento mediante aprendizaje automático.
- Introducción al aprendizaje automático.
- Reducción de la dimensión.
- Aprendizaje no supervisado (agrupamiento).
- Aprendizaje supervisado (Clasificación/regresión).
- Aprendizaje por refuerzo.
- Combinación y selección de modelos.
- Plataformas y herramientas software para aprendizaje automático.
Bibliografía básica:
- BISHOP, Christopher M. Pattern recognition and machine learning. New York: Springer, 2006.
- MITCHELL, Tom M. Machine Learning. New York: McGraw-Hill, 1997.
Bibliografía complementaria:
- RUSSELL, Stuart J. y NORVIG, Peter. Artificial Intelligence: A Modern Approach. 2.ª ed. Upper Saddle River, NJ: Prentice Hall, 2003.
- GÉRON, Aurélien. Hands-on machine learning with Scikit-Learn, Keras & TensorFlow: concepts, tools, and techniques to build intelligent systems. 2ª ed. O’Reilly Media, 2019.
- C9: Analizar información relevante para la toma de decisiones empresariales.
- C10: Desarrollar soluciones tecnológicas personalizadas para las necesidades empresariales.
- HD4: Trabajar en equipo, compartiendo y poniendo en común los conocimientos, integrando distintos planteamientos, mostrando habilidades de negociación, resolución de conflictos e inteligencia emocional.
- HD6: Demostrar capacidad para el aprendizaje autónomo y autoevaluación.
- HD8: Usar herramientas de cálculo y análisis, de distintos tipos de lenguajes y de tecnologías de la información y de la comunicación (TIC).
- CP2: Interpretar la información relevante utilizando las técnicas de análisis y herramientas disponibles para dar apoyo a la toma de decisiones empresariales.
- CP4: Analizar el uso del Big Data y la inteligencia artificial y de negocio para la mejora de los procesos empresariales.
- Clase magistral.
- Resolución de problemas.
- Prácticas en aula de informática.
- Taller de trabajo.
En esta materia se emplearán los siguientes sistemas de evaluación:
- Examen de preguntas objetivas (C9, HD6, HD8, CP2).
- Resolución de problemas/ejercicios (C10, HD8, CP2, CP4).
- Trabajos (C9, C10, HD4, HD6, CP2, CP4).
- Estudios de casos (C9, C10, HD4, HD6, CP2, CP4).
- Presentación oral (C9, HD4, HD8, CP2).
La evaluación de la materia consta de dos partes individuales separadas: evaluación continua (50% de la nota global) y examen final (50% de la nota global). Dentro de la parte de evaluación continua, el trabajo se divide en ejercicios prácticos, talleres, exposiciones orales y participación en las clases (20% de la nota global) y trabajos individuales o en grupo (30% de la nota global).
En los casos de realización fraudulenta de ejercicios o pruebas será de aplicación lo establecido en la “Normativa de evaluación del rendimiento académico de los estudiantes y de revisión de las calificaciones”.
Los estudiantes que tengan concedida la dispensa de asistencia por la Comisión de Título según lo dispuesto en el Reglamento de asistencia a clase, su calificación será la derivada del examen final específico. Para tal fin, deberán comunicarlo al profesor dentro de la semana siguiente a la resolución oficial.
La asistencia tanto a las clases teóricas como prácticas será obligatoria, salvo causa justificada. Las faltas de asistencia no puntúan negativamente en la nota final de la materia.
- Docencia teórica: 14 horas (100% presencialidad).
- Docencia interactiva laboratorio en aula informática: 22 horas (100% presencialidad).
- Tutorización grupos reducidos: 2 horas (100% presencialidad).
- Examen: 4 horas (100% presencialidad).
- Trabajo personal del estudiantado: 71,5 horas (0% presencialidad).
Pedro Gamallo Fernández
Coordinador/a- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Correo electrónico
- pedro.gamallo.fernandez [at] usc.es
- Categoría
- Profesor/a: Ayudante Doutor LOSU
Pablo Garcia Fernandez
- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Correo electrónico
- pablogarcia.fernandez [at] usc.es
- Categoría
- Profesor/a: Ayudante Doutor LOSU
| Miércoles | ||
|---|---|---|
| 10:30-11:30 | Grupo /CLE_01 | Aula 7 |
| 12.01.2027 09:00-13:00 | Grupo /CLE_01 | Aula Informática 1 |
| 12.01.2027 09:00-13:00 | Grupo /CLE_01 | Aula Informática 2 |
| 09.06.2027 15:00-19:00 | Grupo /CLE_01 | Aula Informática 2 |
| Docente | Idioma |
|---|---|
| Gamallo Fernández, Pedro | Gallego |
| Docente | Idioma |
|---|---|
| Gamallo Fernández, Pedro | Gallego |
| Docente | Idioma |
|---|---|
| GARCIA FERNANDEZ, PABLO | Castellano |
| Docente | Idioma |
|---|---|
| Gamallo Fernández, Pedro | Gallego |
| Docente | Idioma |
|---|---|
| Gamallo Fernández, Pedro | Gallego |
| Docente | Idioma |
|---|---|
| Gamallo Fernández, Pedro | Gallego |
| Docente | Idioma |
|---|---|
| Gamallo Fernández, Pedro | Gallego |
| Docente | Idioma |
|---|---|
| Gamallo Fernández, Pedro | Gallego |