Cr茅ditos ECTS
Cr茅ditos ECTS: 3
Horas ECTS Criterios/Memorias
Horas de Tutor铆as: 1
Clase Expositiva: 10
Clase Interactiva: 11
Total: 22
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
脕谤别补蝉:
Lenguajes y Sistemas Inform谩ticos
Centro
Escuela T茅cnica Superior de Ingenier铆a
Convocatoria:
Segundo semestre
Docencia:
Con docencia
惭补迟谤铆肠耻濒补:
Matriculable
| 1ro curso (Si)
La asignatura introduce al alumnado en las t茅cnicas de aprendizaje autom谩tico aplicables en entornos que presenten restricciones en la distribuci贸n de los datos utilizados en la generaci贸n de los modelos: tratamiento de flujos, incorporaci贸n de nuevas experiencias, evoluci贸n de los conceptos en el tiempo o la preservaci贸n de la privacidad de la informaci贸n. Su consideraci贸n requiere una capacitaci贸n espec铆fica en la aplicaci贸n de t茅cnicas de aprendizaje incremental, detecci贸n de obsolescencias y confidencialidad en la manipulaci贸n de conjuntos de datos.
1. Adquirir los conocimientos sobre el funcionamiento de las principales t茅cnicas de aprendizaje incremental
2. Aplicar t茅cnicas de aprendizaje incremental para el an谩lisis de datos en tiempo real en entornos estacionarios y no estacionarios.
3. Conocer el principio de funcionamiento de los principales paradigmas de aprendizaje con preservaci贸n de la privacidad.
La memoria del t铆tulo contempla para esta asignatura los siguientes contenidos:
Aprendizaje en tiempo real sobre datos continuos (streaming data): Algoritmos incrementales para aprendizaje supervisado y no supervisado, modelos de aprendizaje para el tratamiento de la obsolescencia de los datos y de los cambios de concepto en datos no estacionarios. Paradigmas de aprendizaje con preservaci贸n de la privacidad de los datos (Privacy-by-default vs Privacy-by-design).
El contenido anterior se desarrollar谩 a trav茅s de tres temas principales:
1. Machine Learning Online
2. Concept Drift
3. Federated Learning
Este temario se intercalar谩 con el programa de pr谩cticas que estar谩 formado por dos grandes bloques:
P1. Machine Learning Online y Concept Drift
P2. Federated Learning
Bibliograf铆a b谩sica
[1]. Bahri, M., Bifet, A., Gama, J., Gomes, H. M., & Maniu, S. (2021). Data stream analysis: Foundations, major tasks and tools.Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery,11(3), e1405.
[2]. Bifet, A., Gavalda, R., Holmes, G., & Pfahringer, B. (2018). Machine learning for data streams: with practical examples in MOA. MIT press
[3]. Gama, J., 沤liobait;, I., Bifet, A., Pechenizkiy, M., & Bouchachia, A. (2014). A survey on concept drift adaptation.ACM computing surveys (CSUR),46(4), 1-37.
[4]. Gomes, H. M., Read, J., Bifet, A., Barddal, J. P., & Gama, J. (2019). Machine learning for streaming data: state of the art, challenges, and opportunities.ACM SIGKDD Explorations Newsletter,21(2), 6-22.
[5]. Hoi, S. C., Sahoo, D., Lu, J., & Zhao, P. (2021). Online learning: A comprehensive survey.Neurocomputing,459, 249-289.
[6]. Li, T., Sahu, A. K., Talwalkar, A., & Smith, V. (2020). Federated learning: Challenges, methods, and future directions. IEEE signal processing magazine, 37(3), 50-60.
[7]. Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., & Zhang, G. (2018). Learning under concept drift: A review.IEEE Transactions on Knowledge and Data Engineering,31(12), 2346-2363.
[8]. Orabona, F. (2019). A modern introduction to online learning.arXivpreprint arXiv:1912.13213
[9]. Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2019). Federated machine learning: Concept and applications. ACM Transactions on Intelligent Systems and Technology (TIST), 10(2), 1-19.
Bibliograf铆a complementaria
[1]. AbdulRahman, S., Tout, H., Ould-Slimane, H., Mourad, A., Talhi, C., & Guizani, M. (2020). A survey on federated learning: The journey from centralized to distributed on-site learning and beyond. IEEE Internet of Things Journal, 8(7), 5476-5497.
[2] Bifet, A., Gavalda, R. "Learning from time-changing data with adaptive windowing." In Proceedings of the 2007 SIAM international conference on data mining, pp. 443-448. Society for Industrial and Applied Mathematics, 2007.
[3] Bifet, A., & Gavalda, R. (2009). Adaptive learning from evolving data streams. InAdvances in Intelligent Data Analysis VIII
[4] Bifet, A., Gavalda, R., Holmes, G., & Pfahringer, B. (2018). Machine learning for data streams: with practical examples in MOA. MIT press.
[5].
[6]. Gama, J., & Castillo, G. (2006). Learning with local drift detection. InAdvanced Data Mining and Applications: Second International Conference, ADMA 2006, Xi鈥檃n, China, August 14-16, 2006Proceedings 2(pp. 42-55). Springer Berlin Heidelberg
[7] Gama, J., Medas, P., Castillo, G., & Rodrigues, P. (2004, September). Learning with drift detection. InBrazilian symposium on artificial intelligence(pp. 286-295). Springer, Berlin, Heidelberg.
[8] Ghesmoune, M., Lebbah, M., & Azzag, H. (2016). State-of-the-art on clustering data streams. Big Data Analytics, 1, 1-27.
[9] Gomes, H. M., Montiel, J., Mastelini, S. M., Pfahringer, B., & Bifet, A. (2020, July). On ensemble techniques for data stream regression. In 2020 International Joint Conference on Neural Networks (IJCNN) (pp. 1-8). IEEE.
[10] McMahan, B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017, April). Communication-efficient learning of deep networks from decentralized data. In Artificial intelligence and statistics (pp. 1273-1282).
[11] Rahman, K. J., Ahmed, F., Akhter, N., Hasan, M., Amin, R., Aziz, K. E., ... & Islam, A. N. (2021). Challenges, applications and design aspects of federated learning: A survey.IEEE Access,9, 124682-124700.
La memoria del t铆tulo contempla para esta asignatura las siguientes competencias:
Competencias b谩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
Competencias 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.
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.
Competencias espec铆ficas
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.- 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
Los contenidos de la asignatura se impartir谩n de manera indistinta entre las clases expositivas y las clases interactivas. La realizaci贸n de todas las actividades propuestas es necesaria para superar la asignatura.
Clases Expositivas (teor铆a): consistir谩n en la explicaci贸n de los diferentes apartados del programa de la asignatura, con la ayuda de medios electr贸nicos (presentaciones, v铆deos, etc.).
Clases interactivas (pr谩cticas): se plantear谩n diferentes problemas pr谩cticos relacionados con el contenido de la asignatura para que el alumno resuelva de forma individual o en grupos.
Estudio de casos: se podr谩n plantear al alumnado escenarios de trabajo, reales o ficticios, que presenten determinadas problem谩ticas. El alumnado deber谩 aplicar los conocimientos te贸rico-pr谩cticos de la asignatura para buscar una soluci贸n a la cuesti贸n o cuestiones planteadas. Como norma general, el estudio de casos se realizar谩 en grupos. Los distintos grupos de trabajo expondr谩n y pondr谩n en com煤n sus soluciones.
Aprendizaje por proyectos: se podr谩 plantear al alumnado proyectos pr谩cticos cuyo alcance requiera que se le dedique un parte importante de la dedicaci贸n total del alumno a la asignatura.
Trabajo aut贸nomo: el alcance y objetivos de los proyectos, casos de uso y/o problemas pr谩cticos podr谩n requerir del trabajo aut贸nomo por parte de alumnado, aunque con la tutela del profesorado.
Tutor铆as: Las sesiones de tutor铆as servir谩n para resolver las dudas del alumnado relacionadas con los contenidos de la asignatura. Estas tutor铆as ser谩n tanto presenciales como virtuales a trav茅s de correo electr贸nico, campus virtual o plataforma Microsoft Teams.
Curso Virtual: Esta materia dispondr谩 de un curso virtual a trav茅s del que se facilitar谩 al alumnado todo el material necesario en formato digital. Se proporcionar谩 tambi茅n distintas herramientas de comunicaci贸n para el apoyo, tanto de la docencia como de las tutor铆as, incluyendo videoconferencia, chat, correo electr贸nico, foros鈥�
Para superar la materia, el alumno tendr谩 que realizar todas las actividades que se propongan y superar los ex谩menes correspondientes.
Primera oportunidad:
Para superar la asignatura, el alumno deber谩 haber entregado y superado las actividades propuestas (50% de la calificaci贸n final) y aprobar el examen final (50% de la calificaci贸n).
贰虫谩尘别苍别蝉 parciales:
No se realizar谩 ning煤n examen parcial.
Segunda oportunidad:
Se mantiene la nota conseguida en las pr谩cticas durante el curso y tambi茅n su peso en la nota final. Los alumnos que no hubiesen alcanzado la nota de corte en las actividades propuestas durante la convocatoria anterior, podr谩n entregar, en fecha previa al examen final de segunda oportunidad, actividades similares a las no superadas, que ser谩n propuestas por los docentes. Una vez aprobadas ambas partes por separado, el examen ser谩 el 50% de la nota final y las pr谩cticas el 50% restante.
Dispensa de asistencia:
En caso de dispensa de asistencia los alumnos se examinar谩n en las mismas condiciones que los alumnos en primera convocatoria
Alumnos repetidores:
Los alumnos repetidores de a帽os anteriores se examinar谩n en las mismas condiciones que los alumnos en primera convocatoria
No presentado:
El alumno recibir谩 la cualificaci贸n de "no presentado" cuando no se realice el examen final.
Realizaci贸n fraudulenta de ejercicios o pruebas:
Para los casos de realizaci贸n fraudulenta de ejercicios o pruebas ser谩 de aplicaci贸n lo recogido en la 鈥淣ormativa de avaliaci贸n do rendemento acad茅mico dos estudantes e de revisi贸n de cualificaci贸ns鈥� de la 奇趣腾讯分分彩.
Evaluaci贸n de las competencias:
En general el desarrollo de las actividades pr谩cticas, proyectos y casos de uso, as铆 como la preparaci贸n de los temas te贸ricos permitir谩 al alumnado trabajar las competencias b谩sicas, generales y transversales de la asignatura. En concreto, a trav茅s de los proyectos y casos de uso se valorar谩n las competencias CT7, CT9, CG5 CG4, CG2
El desarrollo de las pr谩cticas, as铆 como la prueba final permitir谩 evaluar las competencias espec铆ficas: CE10, CE11, CE12, CE15
La asignatura tiene fijada una carga de trabajo de 3 ECTS. Este dato conduce a una carga de trabajo de 75 horas que se reparte de la siguiente manera:
Trabajo presencial en el aula:
Clases te贸ricas: 10 horas
Clases pr谩cticas: 7 horas
Aprendizaje basado en problemas, seminarios, estudios de casos y proyectos: 4 horas
Trabajo personal del alumno
Clases te贸ricas: 10 horas
Clases pr谩cticas: 21 horas
Aprendizaje basado en problemas, seminarios, estudios de casos y proyectos: 23 horas
Idioma principal: la materia se impartir谩 en ingl茅s
David Mera Perez
Coordinador/a- Departamento
- Electr贸nica y Computaci贸n
- 脕谤别补
- Lenguajes y Sistemas Inform谩ticos
- Correo electr贸nico
- david.mera [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Profesor Contratado/a Doctor
| Jueves | |||
|---|---|---|---|
| 17:00-18:30 | Grupo /CLE_01 | 滨苍驳濒茅蝉 | IA.02 |
| 18:30-20:00 | Grupo /CLIL_01 | 滨苍驳濒茅蝉 | IA.02 |
| 28.05.2025 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 28.05.2025 16:00-20:00 | Grupo /CLE_01 | IA.02 |
| 03.07.2025 16:00-20:00 | Grupo /CLIL_01 | IA.02 |
| 03.07.2025 16:00-20:00 | Grupo /CLE_01 | IA.02 |