Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Titorías: 4 Clase Expositiva: 20 Clase Interactiva: 24 Total: 48
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación
Áreas: Ciencia da Computación e Intelixencia Artificial
Centro Facultade de Ciencias
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
Os principais resultados de aprendizaxe desta materia:
- Identificar e coñecer as diferentes técnicas de IA orientadas á aprendizaxe automática (ou sexa, Machine Learning).
- Identificar as diferentes técnicas de IA orientadas á aprendizaxe profunda (é dicir, Deep Learning).
- Saber aplicar o modelo de aprendizaxe automática ou aprendizaxe profunda máis axeitado para un determinado problema de análise/explotación de datos no ámbito biomolecular.
- Saber utilizar plataformas software para construír modelos baseados na aprendizaxe automática ou profunda a partir de datos biomoleculares.
- Saber preprocesar, interpretar e reducir a dimensionalidade de datos biomoleculares a gran escala para facilitar o seu tratamento mediante aprendizaxe automática ou profunda.
TEORÍA:
Introdución á aprendizaxe automática.
Aprendizaxe supervisada e non supervisada (é dicir, árbores de decisión, potenciación do gradiente, máquina vectorial de apoio, etc.).
máquina, etc).
Aprendizaxe de reforzo.
Introdución á aprendizaxe federada.
Introdución á aprendizaxe profunda.
Redes neuronais convolucionais (CNN).
Combinación e selección de modelos.
Plataformas e ferramentas software para a aprendizaxe automática e profunda.
Aspectos éticos derivados da aplicación de técnicas de Intelixencia Artificial.
Prácticos: casos prácticos en laboratorio sobre os distintos contidos teóricos da materia.
SEMINARIOS:
Realización e exposición de traballos sobre os distintos contidos teóricos da materia.
Prácticas:
Casos prácticos en laboratorio sobre os distintos contidos teóricos da materia.
BIBLIOGRAFÍA BÁSICA:
D. Borrajo, J. González y P. Isasi. Aprendizaje automático. Sanz y Torres.
T.M. Mitchell. Machine Learning. McGraw Hill.
BIBLIOGRAFÍA COMPLEMENTARIA:
E. Rich y K. Knight. Artificial Intelligence. McGraw-Hill.
S. Russel y P. Norving. Artificial Intelligence: a modern approach. Prentice Hall. 2003
Comp05 - Colaborar en equipos interdisciplinares en calquera ambiente de traballo, partindo do coñecemento do entorno e da normativa legal vixente
Comp07 - Que os estudantes teñan a capacidade de reunir e interpretar datos relevantes (normalmente dentro do seu área de estudio) para emitir xugos que inclúan unha reflexión sobre temas relevantes de índole social, científica ou ética.
Con08 - Identificar e coñecer as diferentes técnicas de IA orientadas ao aprendizaxe automático (aprendizaxe automática) e a aprendizaxe (aprendizaxe profunda) para construír modelos a partir de datos do ámbito
H/D10 - Reprocesar, interpretar e reducir a dimensionalidade dos biomoleculares a gran escala, para facilitar o seu tratamento mediante aprendizaxe automático ou profundo
Para a correcta adquisición das competencias por parte do estudante, adoptouse o seguinte conxunto xeral de metodoloxías para a titulación:
1o) Docencia expositiva
2o) Docencia interactiva:
Exercicios prácticos (en laboratorio e/ou na aula de informática).
Resolución de problemas e/ou estudos de casos
Seminarios
Titorías en pequenos grupos
Campus Virtual da USC
3ª) Finalización da obra:
Traballo individual, con ou sen exposición
Traballo en grupo, con ou sen exposición
4o) Titorías individuais
Tendo en conta que a partir desta Memoria e da normativa xeral da USC, para cada materia e cando proceda, a distribución das horas presenciais de clases expositivas, prácticas, seminarios e titorías en grupo, así como as titorías individuais, o profesor responsable da
da docencia de cada materia establecerá e indicará na súa guía docente cal das metodoloxías mencionadas anteriormente se utilizará.
• Exame final (valor entre o 10%-40% da nota global - Comp07, H/D10
• Seguimento continuo (5%-35%) -Comp05
• Avaliación dos traballos prácticos (10%-40%) - Comp07, Comp05, H/D10, Con08
• Avaliación do traballo titorizado (10%-40%) - Comp05, Con08
Para os casos de realización fraudulenta de exercicios ou probas será a aplicación establecida na "Normativa de avaliación do rendemento académico dos estudantes e da revisión das cualificacións".
Clases teóricas/Master - 24 horas presenciais + 48 horas non presenciais
Clases prácticas de laboratorio/Prácticas de laboratorio - 12 horas presenciais + 20 horas non presenciais
Traballo tutelado/Traballo autónomo - sen horas presenciais + horas non presenciais
Non hai
Non hai
Sonia Maria Valladares Rodriguez
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Correo electrónico
- sonia.valladares [at] usc.es
- Categoría
- PROFESOR/A PERMANENTE LABORAL
Martes | |||
---|---|---|---|
11:00-12:00 | Grupo /CLE_01 | Castelán | 1P AULA 1 PRIMEIRA PLANTA |
Mércores | |||
10:00-12:00 | Grupo /CLE_01 | Castelán | 1P AULA 1 PRIMEIRA PLANTA |
Xoves | |||
10:00-12:00 | Grupo /CLE_01 | Castelán | 1P AULA 1 PRIMEIRA PLANTA |
13.05.2025 10:00-13:00 | Grupo /CLE_01 | 1P AULA 1 PRIMEIRA PLANTA |
30.06.2025 10:00-13:00 | Grupo /CLE_01 | 1P AULA 1 PRIMEIRA PLANTA |