Créditos ECTS Créditos ECTS: 4.5
Horas ECTS Criterios/Memorias Horas de Tutorías: 1 Clase Expositiva: 10 Clase Interactiva: 30 Total: 41
Lenguas de uso Castellano, Gallego
Tipo: Materia Ordinaria Grado RD 1393/2007 - 822/2021
Departamentos: Electrónica y Computación
Áreas: Ciencia de la Computación e Inteligencia Artificial
Centro Escuela Técnica Superior de Ingeniería
Convocatoria: Segundo semestre
Docencia: Sin docencia (Extinguida)
Matrícula: No matriculable
Entender el procedimiento usado por los métodos de aprendizaje automático supervisado para predecir valores en base a ejemplos etiquetados, manejando las técnicas de clasificación y regresión más eficaces disponibles actualmente. Agrupar los datos en base a su similaridad usando las técnicas de clustering. Seleccionar o transformar las propiedades de los datos conservando su valor y significado con las distintas técnicas de reducción de la dimensionalidad.
La página web de la materia incluye todo el material de la asignatura:
http://persoal.citius.usc.es/manuel.fernandez.delgado/apaut
1. Clasificación y regresión: metodología de validación, métodos de vecinos más cercanos
2. Análisis discriminante lineal (LDA) y regresión lineal
3. Árboles de clasificación y regresión
4. Redes neuronales artificiales y redes profundas (Deep Learning)
5. Máquinas de vectores de soporte (SVM)
6. Combinación de modelos (ensembles): bagging, boosting, random forest
7. Agrupamiento (clustering)
8. Reducción de la dimensionalidad
9. Aprendizaje por refuerzo
Básica:
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
CG8: Conocimiento de las materias básicas y tecnologías, que capaciten para el aprendizaje y desarrollo de nuevos métodos y tecnologías, así como las que les doten de una gran versatilidad para adaptarse a nuevas situaciones.
CG9: Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad. Capacidad para saber comunicar y transmitir los conocimientos, habilidades y destrezas de la profesión de Ingeniero Técnico en Informática.
TR1: Instrumentales: Capacidad de análisis y síntesis. Capacidad de organización y planificación. Comunicación oral y escrita en gallego,
castellano e inglés. Capacidad de gestión de la información. Resolución de problemas. Toma de decisiones.
FB3: Capacidad para comprender y dominar los conceptos básicos de matemática discreta, lógica, algorítmica y complejidad computacional, y su aplicación para la resolución de problemas propios de la ingeniería.
RI5: Conocimiento, administración y mantenimiento de sistemas, servicios y aplicaciones informáticas.
En esta asignatura se usan librerías software que implementan métodos de aprendizaje versátil a partir de datos con adaptación a nuevas situaciones (competencia CG8). También se realizan procesos de extracción de información que exigen tomar decisiones de forma creativa y comunicar la información obtenida a partir de los datos (CG9) de forma oral y escrita, planificando las estrategias de aprendizaje y validación de los métodos usados (TR1). Los métodos estudiados emplean conceptos de matemática discreta, y el análise de su algorítmica y complejidad computacional son fundamentales para su aplicación a grandes volúmenes de datos (FB3). Finalmente, es necesaria la administración de los sistemas y aplicaciones que implementan los métodos estudiados (RI5).
Clases expositivas (10h): presentaciones que explican los problemas abordados e los conceptos, formulación matemática y aplicaciones de las técnicas estudiadas.
Clases interactivas (30h): resolución de problemas prácticos de clasificación, regresión, agrupamiento, reducción de la dimensionalidad y aprendizaje por refuerzo usando librerías de aprendizaje automática.
El material, incluyendo las presentaciones de las clases expositivas y los guiones de los ejercicios en las clases interactivas, está disponible de forma pública en la página web de la asignatura (http://persoal.citius.usc.es/manuel.fernandez.delgado/apaut) en cualquiera de los tres escenarios.
Plan de contingencia:
Escenario 1: clases y tutorías presenciales.
Escenario 2: clases expositivas por videoconferencia (Teams), clases interactivas presenciales.
Escenario 3: clases expositivas e interactivas por videoconferencia (Teams).
Evaluación continua: exámenes con ejercicios prácticos sobre las técnicas estudiadas: 30% de la nota final.
Examen final: cuestiones y ejercicios prácticos: 70% de la nota final.
Plan de contingencia:
Escenario 1: exámenes presenciales de evaluación continua y final.
Escenario 2: exámenes telemáticos de evaluación continua (USC virtual), y examen final presencial.
Escenario 3: exámenes telemáticos de evaluación continua y final (USC virtual).
En caso de realización fraudulenta de exámenes se aplicará la "Normativa de evaluación del rendimiento académico de l@s estudiant@s y de revisión de cualificaciones".
Trabajo presencial:
Clases expositivas: 10h
Clases interactivas de laboratorio en ordenador: 30h
Actividades de evaluación: 5h
Total: 45h
Trabajo personal:
Estudio autónomo: 19h
Realización de ejercicios: 7h
Programación en ordenador: 28h
Avaliación de exámenes: 13h
Total: 67h
Asistencia a clase y realización de los ejercicios propuestos en el ordenador usando las librerías de aprendizaje automático empleadas en la asignatura.
Se usará también la USC virtual:
http://cv.usc.es
Plan de contingencia: se remite a los apartados "Metodología de enseñanza" y "Sistema de evaluación del aprendizaje" para las adaptaciones correspondientes a los escenarios 2 y 3.
Manuel Fernandez Delgado
Coordinador/a- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Teléfono
- 881816458
- Correo electrónico
- manuel.fernandez.delgado [at] usc.es
- Categoría
- Profesor/a: Titular de Universidad
| Martes | |||
|---|---|---|---|
| 16:30-17:30 | Grupo /CLE_01 | Gallego | Aula A4 |
| Jueves | |||
| 09:30-12:00 | Grupo /CLIL_01 | Gallego | Lab PP-2 |
| 26.05.2021 16:00-20:45 | Grupo /CLE_01 | Aula de proyectos |
| 26.05.2021 16:00-20:45 | Grupo /CLIL_01 | Aula de proyectos |
| 07.07.2021 16:00-20:45 | Grupo /CLIL_01 | Aula A3 |
| 07.07.2021 16:00-20:45 | Grupo /CLE_01 | Aula A3 |