Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 21 Clase Interactiva: 21 Total: 43
Linguas de uso Inglés
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación, Departamento externo vinculado ás titulacións, Departamento da Área do Profesional da USC 991
Áreas: Ciencia da Computación e Intelixencia Artificial, Área externa M.U en Intelixencia Artificial, Área do Profesional da USC
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
A materia introduce ao estudante na extracción, avaliación e análise de información presente na Web mediante o uso de tecnoloxías que interpretan a semántica subxacente ao formato dos seus contidos. Neste contexto, capacitaráselle na súa explotación como fonte global de datos, independentemente de cal sexa a súa localización e o dispositivo ou plataforma de acceso, tanto se están expresados en linguaxe natural como en linguaxes directamente interpretables por axentes intelixentes. Trátase en definitiva de facilitar o acceso, compartición e integración de información entre usuarios Web.
1. Aprendizaxe supervisada: Introdución á aprendizaxe, Redes neuronais artificiais, Máquinas vectoriais de apoio, Árbores de decisión, Regresión, Aprendizaxe baseada en instancias
2. Modelado de conxuntos: modelado de conxuntos básico e avanzado
3. Pretratamento, avaliación e regularización: Preprocesamento de datos. Creación e avaliación de modelos, Complexidade e Regularización.
4. Aprendizaxe non supervisada: agrupación, redes neuronais non supervisadas
5. Aprendizaxe por reforzo: procesos de decisión de Markov, Aprendizaxe por reforzo
Basica:
• Ethem Alpaydin (2004). Introduction to Machine Learning. MIT Press
• T.M. Mitchell (1997). Machine Learning. McGraw Hill
• Richard Sutton, Andrew Barto (2018). Reinforcement Learning. Second Edition. MIT Press
Complementaria:
• Andrew Webb (2002). Statistical Pattern Recognition. Wiley
• D. Borrajo, J. González, P. Isasi (2006). Aprendizaje automático. Sanz y Torres.
• Basilio Sierra Araujo (2006). Aprendizaje automático: conceptos básicos y avanzados. Aspectos prácticos utilizando el software WEKA. Pearson Education
• Saso Dzeroski, Nada Lavrac (2001). Relational Data Mining. Springer.
• David Aha (1997). Lazy Learning. Kluwer Academics Publishers
BÁSICAS E XENERAIS
CG2 - Abordar con éxito todas as etapas dun proxecto de Intelixencia Artificial.
CG3 - Buscar e seleccionar a información útil necesaria para resolver problemas complexos, manexando con soltura as fontes bibliográficas do campo.
CG4 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables no campo.
CG5 - Traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións.
CB6 - Posuír e comprender coñecementos que acheguen unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en contornas novas ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo
CB8 - Que os estudantes sexan 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
CB9 - Que os estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos especializados e non especializados dun modo claro e sen ambigüidades
TRANSVERSAIS
CT3 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida.
CT4 - Desenvolverse para o exercicio dunha cidadanía respectuosa coa cultura democrática, os dereitos humanos e a perspectiva de xénero.
CT7 - Desenvolver a capacidade de traballar en equipos interdisciplinares ou transdisciplinares, para ofrecer propostas que contribúan a un desenvolvemento sostible ambiental, económico, político e social.
CT8 - Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade.
CT9 - Ter a capacidade de xestionar tempos e recursos: desenvolver plans, priorizar actividades, identificar as críticas, establecer prazos e cumprilos.
ESPECÍFICAS
CE10 - Capacidade para a construción, validación e aplicación dun modelo estocástico dun sistema real a partir dos datos observados e a análise crítica dos resultados obtidos.
CE11 - Comprensión e dominio das principais técnicas e ferramentas de análises de datos, tanto desde o punto de vista estatístico como da aprendizaxe automática, incluíndo as dedicadas ao tratamento de grandes volumes de datos, e capacidade para seleccionar as máis adecuadas para a resolución de problemas.
CE12 - Capacidade para expor, formular e resolver todas as etapas dun proxecto de datos, incluíndo a compresión e dominio de fundamentos e técnicas básicas para a procura e o filtrado de información en grandes coleccións de datos.
CE15 - Coñecemento das ferramentas informáticas no campo da aprendizaxe automática, e capacidade para seleccionar a máis adecuada para a resolución dun problema.
A metodoloxía Inclúe o Método expositivo / lección maxistral, prácticas de laboratorio, e aprendizaxe baseada en problemas. levará a cabo coas seguintes actividades formativas:
1) Aprendizaxe baseada en problemas: trátase de sesións cuxo obxectivo é que o alumnado adquira determinadas competencias en base á resolución de exercicios, e realización de proxectos que requiran ao alumno a aplicación dos coñecementos e competencias desenvolvidas durante a materia. Estas sesións poden requirir do alumno a presentación oral da súa solución aos problemas expostos. Os traballos realizados polo alumnado pódense realizar en grupos de traballo.
2) Clases de teoría: Exposición oral complementada co uso de medios audiovisuais e a introdución dalgunhas preguntas dirixidas aos estudantes, coa finalidade de transmitir coñecementos e facilitar a aprendizaxe. Ademais do tempo de exposición oral por parte do profesor, esta actividade formativa require do alumno a dedicación dun tempo para preparar e revisar por conta propia o materiais obxecto da clase.
3) Clases prácticas de laboratorio: clases dedicadas a que o alumnado desenvolva traballos prácticos que impliquen abordar a resolución de problemas complexos, e a análise e deseño de solucións que constitúan un medio para a súa resolución. Esta actividade pode requirir dos alumnos a presentación oral dos traballos realizados. Os traballos realizados polo alumnado pódense realizar en grupos de traballo.
A materia combina unha avaliación continua, centrada na práctica de laboratorio, cunha avaliación sumativa baseada na realización dun proxecto titorizado e un exame final teórico.
1) Práctica de laboratorio (50% da nota final)
A parte práctica componse de dous elementos:
A) Resolución de exercicios (só na 1ª oportunidade): centrada na resolución de problemas mediante a aplicación práctica de técnicas de aprendizaxe automática explicadas na aula. Os exercicios resolveranse por parellas e entregaranse en formato notebook. Representan o 30% da nota de prácticas.
B) Proxecto supervisado (obrigatorio): traballo en grupo (por exemplo, 4 persoas) para resolver un problema de clasificación ou predición. Inclúe a implementación, a análise crítica dos resultados e a redacción dun informe en inglés sobre a resolución do problema seleccionado, incluíndo unha revisión bibliográfica dos traballos máis relevantes.
A entrega estimada do proxecto é o 5 de decembro, coa defensa oral na semana seguinte.
Representa o 70% da nota de prácticas.
A nota de prácticas resulta da suma dos puntos obtidos nos exercicios (ata 3 puntos) e no proxecto (ata 7 puntos).
2) Exame final de teoría (50% da nota final):
Preguntas tipo test sobre os contidos principais da materia, baseados nas técnicas de aprendizaxe automática e as súas aplicacións.
Condicións para aprobar: será necesario acadar polo menos o 40% da nota máxima en cada parte (teoría e prácticas), e unha cualificación final igual ou superior a 5 sobre 10. Se non se cumpre algún destes requisitos, a nota final corresponderá coa parte con menor cualificación.
------------------------
Segunda oportunidade:
Aplicaranse os mesmos criterios xerais de avaliación. Nesta convocatoria, a parte práctica avaliarase unicamente mediante a entrega do proxecto supervisado. Os notebooks non se recuperan nin se terán en conta. A nota do exame teórico conservarase se se obtivo polo menos un 40% e non poderá repetirse nesta convocatoria. No caso de non acadar ese mínimo, o exame realizarase nas mesmas condicións que na primeira convocatoria.
Normas éticas: en caso de fraude académico ou plaxio, aplicarase a normativa vixente sobre avaliación do rendemento académico e revisión de cualificacións. A copia total ou parcial de calquera tarefa teórica ou práctica será cualificada con 0 puntos.
A1: Clases de teoría: 21 horas presenciais, 42 horas en total de dedicación.
A2: Clases prácticas de laboratorio: 14 horas presenciais, 60 horas en total de dedicación.
A3: Aprendizaxe baseada en problemas, seminarios, estudo de casos e proxectos: 7 horas presenciais, 48 horas en total de dedicación.
Recoméndase estudo semanal da materia.
Susana Sotelo Docio
- Departamento
- Departamento da Área do Profesional da USC 991
- Área
- Área do Profesional da USC
- Correo electrónico
- susana.sotelo.docio [at] usc.es
- Categoría
- Profesional da USC
Olinda Nelly Condori Fernandez
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Correo electrónico
- n.condori.fernandez [at] usc.es
- Categoría
- Profesor/a: Profesor Axudante Doutor LOU
Mario Izquierdo Álvarez
- Departamento
- Departamento da Área do Profesional da USC 991
- Área
- Área do Profesional da USC
- Correo electrónico
- mario.izquierdo.alvarez [at] usc.es
- Categoría
- Profesional da USC
| Martes | |||
|---|---|---|---|
| 17:00-18:30 | Grupo /CLIL_01 | Inglés | IA.02 |
| 18:30-20:00 | Grupo /CLE_01 | - | IA.02 |
| 16.01.2026 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 16.01.2026 16:00-20:00 | Grupo /CLE_01 | IA.02 |
| 19.06.2026 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 19.06.2026 16:00-20:00 | Grupo /CLE_01 | IA.02 |