Créditos ECTS Créditos ECTS: 4.5
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 10 Clase Interactiva: 30 Total: 41
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Grao RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación
Áreas: Ciencia da Computación e Intelixencia Artificial
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Segundo semestre
Docencia: Sen docencia (Extinguida)
Matrícula: Non matriculable
Entender o procedemento mediante o cal a aprendizaxe automática supervisada é capaz de predecir valores en base a exemplos etiquetados, manexando as técnicas de clasificación e regresión mais eficaces dispoñíbeis actualmente. Agrupar os datos en base á similaridade entre eles usando as técnicas de clustering. Seleccionar ou transformar as propiedades dos datos conservando o seu valor e significado coas distintas técnicas de reducción da dimensionalidade.
A páxina web da materia inclúe todo o material da asignatura:
http://persoal.citius.usc.es/manuel.fernandez.delgado/apaut
Módulo A. Aprendizaxe supervisada
1. Clasificación e regresión, metodoloxía de validación
2. Métodos de veciños mais cercanos
3. Análise discriminante linear (LDA) e regresión linear
4. Árbores de clasificación e regresión
5. Redes neuronais artificiais
6. Redes neuronais profundas (Deep Learning)
7. Máquinas de vectores de soporte (SVM)
8. Combinación de modelos (ensembles): bagging, boosting, random forest
Módulo B. Aprendizaxe non supervisada
9. Agrupamento (clustering)
10. Reducción da dimensionalidade
Módulo C. Aprendizaxe por reforzo
11. Funcións de valor
12. Búsqueda de políticas
13. Xeralización de funcións
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
La mujer invisible. Criado Pérez, Caroline. Barcelona : Seix Barral, 2020
CG8: Coñecemento das materias básicas e tecnoloxías, que capaciten para a aprendizaxe e desenvolvemento de novos métodos e tecnoloxías, así como as que lles doten dunha grande versatilidade para adaptarse a novas situacións.
CG9: Capacidade para resolver problemas con iniciativa, toma de decisións, autonomía e creatividade. Capacidade para saber comunicar e transmitir os coñecementos, habilidades e destrezas da profesión de Enxeñeiro en Informática.
TR1: Instrumentais: Capacidade de análise e síntese. Capacidade de organización e planificación. Comunicación oral e escrita en galego,
castellán e inglés. Capacidade de xestión da información. Resolución de problemas. Toma de decisións.
FB3: Capacidade para comprender e dominar os conceptos básicos da matemática discreta, lóxica, algorítmica e complexidade computacional, e a súa aplicación para a resolución de problemas propios da enxeñaría.
RI5: Coñecemento, administración e mantemento de sistemas, servizos e aplicacións informáticas.
Nesta asignatura úsanse librarías software que implementan métodos de aprendizaxe versátil a partir de datos con adaptación a novas situacións (competencia CG8). Tamén se realizan procesos de extracción de información que esixen tomar decisións de forma creativa e comunicar a información obtida a partir dos datos (CG9) de forma oral e escrita, planificando as estratexias de aprendizaxe e validación dos métodos usados (TR1). Os métodos estudados empregan conceptos de matemática discreta, e a análise da súa algorítmica e complexidade computacional son fundamentais para a súa aplicación a grandes volumes de datos (FB3). Finalmente, é necesaria a administración dos sistemas e aplicacións que implementan os métodos estudados (RI5).
Clases expositivas: presentacións que explican os problemas abordados e os conceptos, formulación matemática e aplicacións das técnicas estudadas.
Clases interactivas: resolución de problemas prácticos de clasificación, regresión, agrupamento, reducción da dimensionalidade e aprendizaxe por reforzo usando librarías de aprendizaxe automática.
O material, incluíndo as presentacións das clases expositivas e os guións dos exercicios nas clases interactivas, está dispoñíbel de forma pública na páxina web da asignatura (http://persoal.citius.usc.es/manuel.fernandez.delgado/apaut) en calquera dos tres escenarios.
Plano de continxencia:
Excenario 1: clases e titorías presenciais.
Escenario 2: clases expositivas por videoconferencia (Teams), clases interactivas presenciais.
Escenario 3: clases expositivas e interactivas por videoconferencia (Teams).
Avaliación continua: exames con exercicios prácticos sobre as técnicas estudadas: 30% da nota final.
Exame final: cuestións e exercicios prácticos: 70% da nota final.
Plano de continxencia:
Escenario 1: exames presenciais de avaliación continua e final.
Escenario 2: exames telemáticos de avaliación continua (USC virtual) e exame final presencial.
Escenario 3: exames telemáticos de avaliación continua e final (USC virtual).
En caso de realización fraudulenta de exames aplicarase a "Normativa de avaliación do rendemento académico d@s estudant@s e de revisión de cualificacións".
Traballo presencial:
Clases expositivas: 10h
Clases interactivas de laboratorio en ordenador: 30h
Actividades de avaliación: 5h
Total: 45h
Traballo persoal:
Estudo autónomo: 19h
Realización de exercicios: 7h
Programación en ordenador: 28h
Avaliación de exames: 13h
Total: 67h
Asistencia a clase e realización dos exercicios propostos no ordenador usando as librarías de aprendizaxe automática empregadas na asignatura
Usarase tamén a USC virtual:
http://cv.usc.es
Plano de continxencia: remítese aos apartados "Metodoloxía da ensinanza" e "Sistema de avaliación da aprendizaxe" para as adaptacións correspondentes aos escenarios 2 e 3.
Manuel Fernandez Delgado
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Teléfono
- 881816458
- Correo electrónico
- manuel.fernandez.delgado [at] usc.es
- Categoría
- Profesor/a: Titular de Universidade
| Martes | |||
|---|---|---|---|
| 16:30-17:30 | Grupo /CLE_01 | Galego | Aula A4 |
| Xoves | |||
| 09:30-12:00 | Grupo /CLIL_01 | Galego | Lab PP-2 |
| 26.05.2021 16:00-20:45 | Grupo /CLE_01 | Aula de Proxectos |
| 26.05.2021 16:00-20:45 | Grupo /CLIL_01 | Aula de Proxectos |
| 07.07.2021 16:00-20:45 | Grupo /CLIL_01 | Aula A3 |
| 07.07.2021 16:00-20:45 | Grupo /CLE_01 | Aula A3 |