Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Trabajo del Alumno/a ECTS: 110 Horas de Tutorías: 1 Clase Expositiva: 14 Clase Interactiva: 25 Total: 150
Lenguas de uso Inglés
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica y Computación, Departamento externo vinculado a las titulaciones
Áreas: Ciencia de la Computación e Inteligencia Artificial, Área externa Máster en Visión por Computador / Computer Vision
Centro Escuela Técnica Superior de Ingeniería
Convocatoria: Primer semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
O obxetivo do curso é presentar ó alumnado algúns dos temas mais relevantes da aprendizaxe automática, facendo fincapé na teoría, exemplos prácticos e proxectos reais aplicados a visión por computador. Cada exercicio tratará de reforzar algún concepto explicado nas clases expositivas.
1. Teoría da aprendizaxe automática
2. Regresión e optimización
3. Introducción a modelos de datos secuenciais
4. Técnicas de clasificación: selección de modelos e validación
5. Redes neuronais artificiais
6. Máquinas de vectores de soporte
7. Grupos de clasificadores
8. Aprendizaxe automático non supervisado
Básica:
Machine learning techniques: R.O. Duda, P.E. Hart, D.G. Stork. Pattern classification. Wiley Interscience, 2000. ISBN: 978-0471056690.
Outros artigos recomendados durante o curso.
Complementaria:
Gender perspective: CRIADO PEREZ, Caroline . Invisible women: Exposing data bias in a world designed for men. Random House, 2019.
Habilidade para traballar en equipo, organizar e planificar (CT2).
Habilidade para analizar e sintetizar coñecemento (CG1).
Coñecer os fundamentos dos modelos da aprendizaxe automática aplicados a visión por computador (CE2).
Habilidade para desenvolver sistemas de aprendizaxe automática simples en función das necesidades e aplicando as tecnoloxías apropiadas (CB7, CG4).
Adquirir destrezas de aprendizaxe para continuar estudando posteriormente de forma autónoma (CB6, CG5).
Exercer a profesión con conciencia clara da súa dimensión humana, económica, legal e ética, con especial atención a desigualdades de xénero dos modelos de aprendizaxe automática.
Clases expositivas e seminarios utilizando dinámicas para aprender en base a resolución de casos prácticos e proxectos que fomenten o traballo autónomo e independente e cooperativo do alumnado.
Plan de emerxencia por COVID-19:
Escenario 1: clases expositivas e sesións de laboratorio.
Escenario 2: clases expositivas (usando Microsoft Teams) e sesions de laboratorio presenciais.
Escenario 3: clases expositivas e de laboratorio telemáticas.
Avaliación continua: representa un 65% da nota da asignatura( 30% para as entregas de traballos e 35% para a realización dun proxecto).
Exama final: representa un 35% da nota final.
Plan de emerxencia por COVID-19:
Escenario 2: só avaliación continua (50% para entregas de traballos e 50% para a realización dun proxecto)
Escenario 3: só avaliación continua (50% para entregas de traballos e 50% para a realización dun proxecto)
En caso de fraude, será aplicada a "Normativa de avaliación do rendemento académico d@s estudant@s e de revisión de cualificacións".
Traballo presencial:
Clases expositivas: 14h
Clases de laboratorio: 25h
Exames: 3h
Total: 42h
Traballo autónomo:
Estudio autonomo: 24h
Estudio de laboratorio: 96h
Total: 120h
Asistir as clases expositivas e sesións de laboratorio, e resolver os exercicios propostos usando as librerías de aprendizaxe automática utilizadas no laboratorio. Ler os artigos recomendados no curso.
Parte do material da materia estará dispoñible na páxina web:
http://persoal.citius.usc.es/eva.cernadas/fmlcv
e no Campus Virtual da USC:
http://cv.usc.es
Pland de emerxencia polo COVID-19: ver os apartados de "metodoloxía da ensinanza" e " sistema de avaliación da aprendizaxe" para as adaptacións ós escenarios 2 e 3.
Eva Cernadas García
Coordinador/a- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Teléfono
- 881816459
- Correo electrónico
- eva.cernadas [at] usc.es
- Categoría
- Profesor/a: Titular de Universidad
| Jueves | |||
|---|---|---|---|
| 15:00-18:00 | Grupo /CLE_01_inglés | Inglés | Aula A7 |
| 04.02.2021 15:00-18:00 | Grupo /CLIL_01_inglés | Aula A7 |
| 04.02.2021 15:00-18:00 | Grupo /CLE_01_inglés | Aula A7 |
| 08.07.2021 16:00-18:00 | Grupo /CLIL_01_inglés | Aula A5 |
| 08.07.2021 16:00-18:00 | Grupo /CLE_01_inglés | Aula A5 |