Créditos ECTS Créditos ECTS: 4.5
Horas ECTS Criterios/Memorias Horas de Titorías: 2 Clase Expositiva: 14 Clase Interactiva: 22 Total: 38
Linguas de uso Castelán (32.35%), Galego (67.65%)
Tipo: Materia Ordinaria Grao RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación
Áreas: Ciencia da Computación e Intelixencia Artificial
Centro Facultade de Administración e Dirección de Empresas
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable
Ao completar a materia, o estudante será capaz de:
- Coñecer e saber diferenciar os distintos modelos de aprendizaxe automática.
- Saber aplicar o modelo máis axeitado de aprendizaxe automática para un problema determinado de explotación de datos no ámbito empresarial.
- Saber empregar plataformas software para construír modelos baseados en aprendizaxe automática a partir de datos.
- Saber reducir a dimensionalidade dos datos dun problema no ámbito empresarial para facilitar o seu tratamento mediante aprendizaxe automática.
- Introdución á aprendizaxe automática.
- Redución da dimensionalidade.
- Aprendizaxe non supervisado (agrupamento).
- Aprendizaxe supervisado (clasificación/regresión).
- Aprendizaxe por reforzo.
- Combinación e selección de modelos.
- Plataformas e ferramentas software para a aprendizaxe automática.
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 a toma de decisións empresariais.
- C10: Desenvolver solucións tecnolóxicas personalizadas para as necesidades empresariais.
- HD4: Traballar en equipo, compartindo e poñendo en común os coñecementos, integrando distintos plantexamentos e amosando habilidades de negociación, resolución de conflitos e intelixencia emocional.
- HD6: Demostrar capacidade para a aprendizaxe autónoma e a autoavaliación.
- HD8: Empregar ferramentas de cálculo e análise, distintos tipos de linguaxes e tecnoloxías da información e da comunicación (TIC).
- CP2: Interpretar a información relevante utilizando as técnicas de análise e ferramentas dispoñibles para dar apoio á toma de decisións empresariais.
- CP4: Analizar o uso do Big Data e da intelixencia artificial e de negocio para a mellora dos procesos empresariais.
- Clase maxistral.
- Resolución de problemas.
- Prácticas na aula de informática.
- Obradoiro de traballo.
Nesta materia empregaranse os seguinters sistema de avaliación:
- Exame de preguntas obxectivass (C9, HD6, HD8, CP2).
- Resolución de problemas/exercicios (C10, HD8, CP2, CP4).
- Traballos (C9, C10, HD4, HD6, CP2, CP4).
- Estudos de casos (C9, C10, HD4, HD6, CP2, CP4).
- Presentación oral (C9, HD4, HD8, CP2).
A avaliación da materia consta de dúas partes individuais separadas: avaliación continua (50% da nota global) e exame final (50% da nota global). Dentro da parte de avaliación continua, o traballo divídese en exercicios prácticos, obradoiros, exposicións orais e participación nas clases (20% da nota global) e traballos individuais ou en grupo (30% da nota global).
Nos casos de realización fraudulenta de exercicios ou probas será de aplicación o establecido na “Normativa para a avaliación do rendemento académico dos Estudantes e de Revisión das Cualificacións”.
Os estudantes que teñan concedida a dispensa de asistencia pola Comisión de Título segundo o disposto no Regulamento de asistencia a clase, a súa cualificación será a derivada do exame final específico. Para tal fin, deberán comunicarllo ao profesor dentro da semana seguinte á resolución oficial.
A asistencia tanto ás clases teóricas como prácticas será obrigatoria, salvo causa xustificada. As faltas de asistencia non puntúan negativamente na nota final da materia.
- Docencia teórica: 14 horas (100% presencialidade).
- Docencia interactiva laboratorio en aula informática: 22 horas (100% presencialidade).
- Titorización en grupos reducidos: 2 horas (100% presencialidade).
- Exame: 4 horas (100$ presencialidade).
- Traballo persoal do estudantado: 71,5 horas (0% presencialidade).
Pedro Gamallo Fernández
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Correo electrónico
- pedro.gamallo.fernandez [at] usc.es
- Categoría
- Profesor/a: Axudante Doutor LOSU
Pablo Garcia Fernandez
- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Correo electrónico
- pablogarcia.fernandez [at] usc.es
- Categoría
- Profesor/a: Axudante Doutor LOSU
| Mércores | ||
|---|---|---|
| 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 | Galego |
| Docente | Idioma |
|---|---|
| Gamallo Fernández, Pedro | Galego |
| Docente | Idioma |
|---|---|
| GARCIA FERNANDEZ, PABLO | Castelán |
| Docente | Idioma |
|---|---|
| Gamallo Fernández, Pedro | Galego |
| Docente | Idioma |
|---|---|
| Gamallo Fernández, Pedro | Galego |
| Docente | Idioma |
|---|---|
| Gamallo Fernández, Pedro | Galego |
| Docente | Idioma |
|---|---|
| Gamallo Fernández, Pedro | Galego |
| Docente | Idioma |
|---|---|
| Gamallo Fernández, Pedro | Galego |