Cr茅ditos ECTS
Cr茅ditos ECTS: 6
Horas ECTS Criterios/Memorias
Horas de Tutor铆as: 1
Clase Expositiva: 21
Clase Interactiva: 21
Total: 43
Lenguas de uso
滨苍驳濒茅蝉
Tipo:
Materia Ordinaria 惭谩蝉迟别谤 RD 1393/2007 - 822/2021
Departamentos:
Electr贸nica y Computaci贸n,
Departamento externo vinculado a las titulaciones
脕谤别补蝉:
Ciencia de la Computaci贸n e Inteligencia Artificial, 脕谤别补 externa M.U en Intelixencia Artificial
Centro
Escuela T茅cnica Superior de Ingenier铆a
Convocatoria:
Primer semestre
Docencia:
Con docencia
惭补迟谤铆肠耻濒补:
Matriculable
| 1ro curso (Si)
La asignatura introduce al estudiante en la extracci贸n, evaluaci贸n y an谩lisis de informaci贸n presente en la Web mediante el uso de tecnolog铆as que interpretan la sem谩ntica subyacente al formato de sus contenidos. En este contexto, se le capacitar谩 en su explotaci贸n como fuente global de datos, independientemente de cu谩l sea su localizaci贸n y el dispositivo o plataforma de acceso, tanto si est谩n expresados en lenguaje natural como en lenguajes directamente interpretables por agentes inteligentes. Se trata en definitiva de facilitar el acceso, compartici贸n e integraci贸n de informaci贸n entre usuarios Web.
1. Aprendizaje supervisado: Introducci贸n al aprendizaje, Redes neuronales artificiales, M谩quinas de vectores de soporte, 脕rboles de decisi贸n, Regresi贸n, Aprendizaje basado en instancias
2. Modelado de conjuntos: modelado de conjuntos b谩sico y avanzado
3. Preprocesamiento, evaluaci贸n y regularizaci贸n: Preprocesamiento de datos. Creaci贸n y evaluaci贸n de modelos, Complejidad y Regularizaci贸n.
4. Aprendizaje no supervisado: agrupamiento, redes neuronales no supervisadas
5. Aprendizaje por refuerzo: procesos de decisi贸n de Markov, aprendizaje por refuerzo
Basica:
鈥� Ethem Alpaydin (2004). Introduction to Machine Learning. MIT Press
鈥� T.M. Mitchell (1997). Machine Learning. McGraw Hill
鈥� Richard Sutton, Andrew Barto (2018). Reinforcement Learning. Second Edition. MIT Press
Complementaria:
鈥� Andrew Webb (2002). Statistical Pattern Recognition. Wiley
鈥� D. Borrajo, J. Gonz谩lez, P. Isasi (2006). Aprendizaje autom谩tico. Sanz y Torres.
鈥� Basilio Sierra Araujo (2006). Aprendizaje autom谩tico: conceptos b谩sicos y avanzados. Aspectos pr谩cticos utilizando el software WEKA. Pearson Education
鈥� Saso Dzeroski, Nada Lavrac (2001). Relational Data Mining. Springer.
鈥� David Aha (1997). Lazy Learning. Kluwer Academics Publishers
B脕SICAS Y GENERALES
CG2 - Abordar con 茅xito todas las etapas de un proyecto de Inteligencia Artificial.
CG3 - Buscar y seleccionar la informaci贸n 煤til necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliogr谩ficas del campo.
CG4 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, art铆culos cient铆ficos y formular hip贸tesis razonables en el campo.
CG5 - Trabajar en equipo, especialmente de car谩cter multidisciplinar, y ser h谩biles en la gesti贸n del tiempo, personas y toma de decisiones.
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicaci贸n de ideas, a menudo en un contexto de investigaci贸n
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resoluci贸n de problemas en entornos nuevos o poco conocidos dentro de contextos m谩s amplios (o multidisciplinares) relacionados con su 谩rea de estudio
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una informaci贸n que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y 茅ticas vinculadas a la aplicaci贸n de sus conocimientos y juicios
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones 煤ltimas que las sustentan a p煤blicos especializados y no especializados de un modo claro y sin ambigu虉edades
TRANSVERSALES
CT3 - Utilizar las herramientas b谩sicas de las tecnolog铆as de la informaci贸n y las comunicaciones (TIC) necesarias para el ejercicio de su profesi贸n y para el aprendizaje a lo largo de su vida.
CT4 - Desarrollarse para el ejercicio de una ciudadan铆a respetuosa con la cultura democr谩tica, los derechos humanos y la perspectiva de g茅nero.
CT7 - Desarrollar la capacidad de trabajar en equipos interdisciplinares o transdisciplinares, para ofrecer propuestas que contribuyan a un desarrollo sostenible ambiental, econ贸mico, pol铆tico y social.
CT8 - Valorar la importancia que tiene la investigaci贸n, la innovaci贸n y el desarrollo tecnol贸gico en el avance socioecon贸mico y cultural de la sociedad.
CT9 - Tener la capacidad de gestionar tiempos y recursos: desarrollar planes, priorizar actividades, identificar las cr铆ticas, establecer plazos y cumplirlos.
贰厂笔贰颁脥贵滨颁础厂
CE10 - Capacidad para la construcci贸n, validaci贸n y aplicaci贸n de un modelo estoc谩stico de un sistema real a partir de los datos observados y el an谩lisis cr铆tico de los resultados obtenidos.
CE11 - 驴Comprensi贸n y dominio de las principales t茅cnicas y herramientas de an谩lisis de datos, tanto desde el punto de vista estad铆stico como del aprendizaje autom谩tico, incluyendo las dedicadas al tratamiento de grandes vol煤menes de datos, y capacidad para seleccionar las m谩s adecuadas para la resoluci贸n de problemas.
CE12 - Capacidad para plantear, formular y resolver todas las etapas de un proyecto de datos, incluyendo la compresi贸n y dominio de fundamentos y t茅cnicas b谩sicas para la b煤squeda y el filtrado de informaci贸n en grandes colecciones de datos.
CE15 - Conocimiento de las herramientas inform谩ticas en el campo del aprendizaje autom谩tico, y capacidad para seleccionar la m谩s adecuada para la resoluci贸n de un problema.
La metodolog铆a Incluye el M茅todo expositivo / lecci贸n magistral, pr谩cticas de laboratorio, y aprendizaje basado en problemas. Se llevar谩 a cabo con las siguientes actividades formativas:
1) Aprendizaje basado en problemas : se trata de sesiones cuyo objetivo es que el alumnado adquiera determinadas competencias en base a la resoluci贸n de ejercicios, y realizaci贸n de proyectos que requieran al alumno la aplicaci贸n de los conocimientos y competencias desarrolladas durante la asignatura. Estas sesiones pueden requerir del alumno la presentaci贸n oral de su soluci贸n a los problemas planteados. Los trabajos realizados por el alumnado se pueden realizar en grupos de trabajo.
2) Clases de teor铆a: Exposici贸n oral complementada con el uso de medios audiovisuales y la introducci贸n de algunas preguntas dirigidas a los estudiantes, con la finalidad de transmitir conocimientos y facilitar el aprendizaje. Adem谩s del tiempo de exposici贸n oral por parte del profesor, esta actividad formativa requiere del alumno la dedicaci贸n de un tiempo para preparar y revisar por cuenta propia los materiales objeto de la clase.
3) Clases pr谩cticas de laboratorio: clases dedicadas a que el alumnado desarrolle trabajos pr谩cticos que impliquen abordar la resoluci贸n de problemas complejos, y el an谩lisis y dise帽o de soluciones que constituyan un medio para su resoluci贸n. Esta actividad puede requerir de los alumnos la presentaci贸n oral de los trabajos realizados. Los trabajos realizados por el alumnado se pueden realizar en grupos de trabajo.
Se realizar谩 una evaluaci贸n continua como parte de la pr谩ctica de laboratorio; mientras que la evaluaci贸n sumativa cubrir谩 la realizaci贸n de un proyecto tutelado y un examen final.
1. Pr谩ctica de laboratorio: se centra en la resoluci贸n de problemas, mediante una adecuada aplicaci贸n de las t茅cnicas de IA explicadas te贸ricamente. Los problemas se agrupar谩n en cuatro tareas, que deber谩n resolverse por parejas. Los trabajos propuestos estimular谩n el pensamiento cr铆tico en la soluci贸n de problemas. Los cuatro trabajos se eval煤an con una ponderaci贸n del 20% de la nota final .
2. Proyectos supervisados: los estudiantes trabajar谩n en grupos (por ejemplo, 4 personas) para resolver un problema de clasificaci贸n o predicci贸n. El proyecto consistir谩 en la implementaci贸n y redacci贸n de un informe sobre la resoluci贸n del problema seleccionado. El informe incluir谩 una revisi贸n bibliogr谩fica de los trabajos relacionados m谩s importantes, deber谩 estar escrito en ingl茅s (documentaci贸n sobre el problema a resolver, metodolog铆a utilizada y comparaci贸n de los resultados encontrados en la aplicaci贸n de las diferentes t茅cnicas, as铆 como una evaluaci贸n cr铆tica tanto de los resultados obtenidos como de la informaci贸n utilizada). El proyecto se eval煤a con una ponderaci贸n del 30% de la nota final.
3. Examen final: preguntas de prueba sobre los contenidos de la asignatura, basados en las diferentes t茅cnicas de aprendizaje autom谩tico y sus aplicaciones. El examen se evaluar谩 con una ponderaci贸n del 50% de la nota final.
Los alumnos deber谩n alcanzar al menos el 40% de la nota m谩xima de cada parte (teor铆a, pr谩ctica) y en todo caso la suma de ambas partes deber谩 ser superior a 5 para aprobar la asignatura. Si no se cumple alguno de los requisitos anteriores, la nota de la convocatoria se establecer谩 en funci贸n de la nota m谩s baja obtenida.
Las entregas de las pr谩cticas deber谩n realizarse en el plazo establecido en el campus virtual y deber谩n seguir las especificaciones indicadas en el pliego tanto para su presentaci贸n como para su defensa. El alumno tendr谩 la condici贸n de "Presentado" si se presenta a la prueba te贸rica en el periodo oficial de evaluaci贸n.
Segunda oportunidad: La evaluaci贸n se realizar谩 con los mismos criterios descritos anteriormente , y se abrir谩 un nuevo plazo para la entrega de los trabajos pr谩cticos.
En el caso de realizaci贸n fraudulenta de ejercicios o pruebas, se aplicar谩 la Normativa de evaluaci贸n del rendimiento acad茅mico de los alumnos y revisi贸n de calificaciones. En aplicaci贸n de la normativa correspondiente sobre plagio, la copia total o parcial de cualquier ejercicio de pr谩ctica o teor铆a se evaluar谩 con una nota de 0.
A1: Clases de teor铆a: 21 horas presenciales, 42 horas en total de dedicaci贸n.
A2: Clases pr谩cticas de laboratorio: 14 horas presenciales, 60 horas en total de dedicaci贸n.
A3: Aprendizaje basado en problemas, seminarios, estudio de casos y proyectos: 7 horas presenciales, 48 horas en total de dedicaci贸n.
Se recomienda el estudio semanal de la materia
Olinda Nelly Condori Fernandez
Coordinador/a- Departamento
- Electr贸nica y Computaci贸n
- 脕谤别补
- Ciencia de la Computaci贸n e Inteligencia Artificial
- Correo electr贸nico
- n.condori.fernandez [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Profesor Ayudante Doctor LOU
| Martes | |||
|---|---|---|---|
| 17:00-18:30 | Grupo /CLIL_01 | 滨苍驳濒茅蝉 | IA.02 |
| 18:30-20:00 | Grupo /CLE_01 | 滨苍驳濒茅蝉 | IA.02 |
| 13.01.2025 16:00-20:00 | Grupo /CLE_01 | IA.02 |
| 13.01.2025 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 19.06.2025 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 19.06.2025 16:00-20:00 | Grupo /CLE_01 | IA.02 |