Cr茅ditos ECTS
Cr茅ditos ECTS: 6
Horas ECTS Criterios/Memorias
Horas de Titor铆as: 1
Clase Expositiva: 30
Clase Interactiva: 20
Total: 51
Linguas de uso
颁补蝉迟别濒谩苍, Galego
Tipo:
Materia Ordinaria Grao RD 1393/2007 - 822/2021
Departamentos:
Electr贸nica e Computaci贸n
脕谤别补蝉:
Ciencia da Computaci贸n e Intelixencia Artificial
Centro
Escola T茅cnica Superior de Enxe帽ar铆a
Convocatoria:
Primeiro semestre
Docencia:
Con docencia
惭补迟谤铆肠耻濒补:
Matriculable
Na aprendizaxe supervisada, os sistemas intelixentes aprenden por si mesmos m茅todos para extraer informaci贸n de datos tomados como exemplo, de forma supervisada, 茅 dicir, con valores co帽ecidos para as magnitudes que se prev茅n automaticamente. As铆, os sistemas intelixentes aprenden a constru铆r funci贸ns ou modelos baseados en exemplos anotados (datos de adestramento). As funci贸ns aprendidas te帽en capacidade de xeneralizaci贸n para ser aplicadas a novos exemplos a partir dos que facer predici贸ns ou tomar decisi贸ns. Nesta materia impartiranse os m茅todos de aprendizaxe tutelada m谩is importantes e as s煤as aplicaci贸ns b谩sicas (clasificaci贸n, predici贸n e regresi贸n). Ensinarase a aplicar diferentes t茅cnicas e escoller a m谩is adecuada para cada problema en funci贸n das s煤as caracter铆sticas, volume de datos e escalabilidade. Discutaranse algunhas das estratexias m谩is relevantes e amplamente aplicadas con diversos enfoques de aprendizaxe supervisada. Ademais de analizar os pros e os contras dos diferentes enfoques estudados, veremos alg煤ns problemas com煤ns que poden xurdir do conxunto de datos de adestramento e proba empregados, tanto intr铆nsecos como por un uso inadecuado dos mesmos. As铆, o obxectivo principal 茅 comprender os conceptos asociados 谩 aprendizaxe autom谩tica a partir de datos previamente etiquetados, as铆 como os seus fundamentos matem谩ticos.
Tema 1. Conceptos preliminares de aprendizaxe autom谩tica: regresi贸n e clasificaci贸n.
Tema 2. Selecci贸n do modelo.
Tema 3. M茅todos baseados nos veci帽os m谩is pr贸ximos.
Tema 4. Sistemas baseados en regras.
Tema 5. Clasificaci贸n lineal e regresi贸n.
Tema 6. 脕rbores de decisi贸n.
Tema 7. M谩quinas vectoriais de apoio.
Tema 8. Conxuntos: ensacado, impulso e bosque aleatorio.
1) Bibliograf铆a b谩sica:
G. James, D. Witten, T. Hastie, R. Tibshirani. An Introduction to Statistical Learning with Applications in R. Ed. 1, New York: Springer, 2013. ISBN 978-1-4614-7137-0.
T. Hastie, R. Tibshirani, J. Friedman. The elements of statistical learning: data mining, inference, and prediction. Ed. 2, New York: Springer, 2009. ISBN 978-0-3878-4857-0.
2) Bibliograf铆a complementaria:
C.M. Bishop. Pattern recognition and machine learning, Springer, 2006, ISBN: 978-0387310732
I.H. Witten, E. Frank, M.A. Hall, C.J. Pal, DATA MINNIG. Practical Machine Learning Tools and Techniques (Morgan Kaufmann Series in Data Management Systems). 4th Edition. ISBN-10:0128042915, ISBN-13:978-0128042915
P. Harrington. Machine learning in action. O'Reilly, 2012. ISBN 978-1617290183
A. G茅ron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O'Reilly Media, Inc., ISBN:9781492032649, 2nd Edition
J. Hurwitz, D. Kirsch. Machine learning for dummies. John Wiley & Sons, Inc., 2018. ISBN 9781119454953
Ao longo do curso, o alumnado desenvolver谩 as seguintes habilidades:
1) B脕SICAS:
CB2. Que o alumnado saiba aplicar os seus co帽ecementos ao seu traballo ou vocaci贸n de forma profesional e pos煤e as competencias que adoitan demostrarse mediante o desenvolvemento e defensa de argumentos e a resoluci贸n de problemas dentro da s煤a 谩rea de estudo.
2) XERAIS:
CG2. Capacidade para resolver problemas con iniciativa, toma de decisi贸ns, autonom铆a e creatividade.
GG4. Capacidade para seleccionar e xustificar os m茅todos e t茅cnicas adecuadas para resolver un problema concreto, ou para desenvolver e propo帽er novos m茅todos baseados na intelixencia artificial.
CG5. Capacidade para concibir novos sistemas inform谩ticos e/ou avaliar o rendemento dos sistemas existentes, que integren modelos e t茅cnicas de intelixencia artificial.
3) TRANSVERSAIS:
TR1. Capacidade para comunicar e transmitir os seus co帽ecementos, habilidades e habilidades.
TR2. Capacidade de traballo en equipo, en contornas interdisciplinares e de xesti贸n de conflitos.
4) ESPEC脥FICAS:
CE1. Capacidade para utilizar conceptos e m茅todos matem谩ticos e estat铆sticos para modelar e resolver problemas de intelixencia artificial.
CE12. Co帽ecer os fundamentos dos algoritmos e modelos de intelixencia artificial para resolver problemas de certa complexidade, comprender a s煤a complexidade computacional e ter a capacidade de dese帽ar novos modelos.
CE15. Co帽ecer e saber aplicar e explicar correctamente as t茅cnicas de validaci贸n de soluci贸ns de intelixencia artificial.
Os resultados de aprendizaxe ser谩n
+ Saber seleccionar as diferentes t茅cnicas de aprendizaxe supervisada para resolver un problema nun determinado dominio.
+ Co帽ecer os paradigmas formais m谩is importantes para a aprendizaxe supervisada a partir de datos.
+ Co帽ecer t茅cnicas de clasificaci贸n e regresi贸n na aprendizaxe supervisada.
+ Co帽ecer as vantaxes e os inconvenientes das diferentes estratexias de aprendizaxe supervisada, modelos e combinaci贸n de modelos, pero tam茅n m茅tricas de avaliaci贸n e metodolox铆as de validaci贸n para seleccionar os mellores modelos.
+ Saber aplicar los algoritmos y modelos estudiados en diversos casos de uso.
Clases expositivas (30 h): presentaci贸ns tipo master class para presentar os contidos dos diferentes temas, con especial fincap茅 na explicaci贸n e asimilaci贸n de conceptos, fundamentos matem谩ticos e a potencial utilidade da aprendizaxe autom谩tica supervisada.
Clases interactivas (20 h): resoluci贸n de problemas pr谩cticos de clasificaci贸n e regresi贸n.
A materia 茅 100% presencial.
Exame final con preguntas tipo test e resposta curta sobre os contidos tratados nas clases expositivas: 60% da nota final.
Avaliaci贸n continua: avaliaci贸n das entregas e resultados obtidos nas diferentes pr谩cticas da materia: 40% da nota final.
Terase en conta a asistencia e participaci贸n do alumnado tanto nas clases maxistrais como nas pr谩cticas, debates e/ou seminarios que se desenvolvan ao longo do curso.
Para aprobar a materia 茅 necesario superar tanto o exame final como a avaliaci贸n continua.
A entrega dun dos informes de pr谩cticas (ou calquera outra avaliaci贸n dunhas pr谩cticas) supor谩 que o estudante optou por cursar a materia. Polo tanto, a partir dese momento, ao non presentarse a铆nda ao exame final, considerarase consumida unha oportunidade.
Na segunda avaliaci贸n de oportunidade (xullo) mantense a nota da pr谩ctica, no caso de ter unha cualificaci贸n de 5 ou m谩is puntos. Noutros casos, o alumno ter谩 que ser avaliado de novo para a parte pr谩ctica da materia nesta segunda oportunidade. En todo caso, deber谩 realizarse o exame final, e non se conservar谩 a nota anterior. A partir de a铆, para superar a materia aplicaranse os mesmos criterios xa establecidos para a primeira oportunidade.
En caso de exames fraudulentos, aplicarase o 鈥淣ormamento de avaliaci贸n do rendemento acad茅mico dos alumnos e revisi贸n de cualificaci贸ns鈥� (. html). A copia total ou parcial dun exercicio pr谩ctico ou te贸rico dar谩 lugar automaticamente a unha nota de 0,0 na materia e oportunidade.
Tempo de traballo presencial: 50 horas (total), divididas en 30 horas (clases expositivas), 20 horas (clases interactivas).
Tempo de traballo persoal: 100 horas (total), que incl煤e estudo, exercicios e outras actividades de avaliaci贸n.
Recom茅ndase que o alumnado acuda a clase e resolva, verifique e valide todos os exercicios e pr谩cticas propostos (non s贸 os susceptibles de ser avaliados), utilizando as bibliotecas de aprendizaxe autom谩tica utilizadas na materia e mediante programaci贸n directa.
Medio docente complementario: curso virtual na plataforma facilitada pola 奇趣腾讯分分彩, desenvolvido e actualizado constantemente polo profesorado da materia.
A lingua de ensino predominante 茅 o castel谩n, pero tanto na bibliograf铆a como nos apuntes pode haber parte do contido en ingl茅s.
Manuel Felipe Mucientes Molina
- Departamento
- Electr贸nica e Computaci贸n
- 脕谤别补
- Ciencia da Computaci贸n e Intelixencia Artificial
- 罢别濒茅蹿辞苍辞
- 881816434
- Correo electr贸nico
- manuel.mucientes [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Catedr谩tico/a de Universidade
Jose Maria Alonso Moral
Coordinador/a- Departamento
- Electr贸nica e Computaci贸n
- 脕谤别补
- Ciencia da Computaci贸n e Intelixencia Artificial
- 罢别濒茅蹿辞苍辞
- 881816432
- Correo electr贸nico
- josemaria.alonso.moral [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Titular de Universidade
Ainhoa Vivel Couso
- Departamento
- Electr贸nica e Computaci贸n
- 脕谤别补
- Ciencia da Computaci贸n e Intelixencia Artificial
- Correo electr贸nico
- ainhoa.vivel.couso [at] usc.es
- 颁补迟别驳辞谤铆补
- Predoutoral Xunta
| Luns | |||
|---|---|---|---|
| 11:00-12:00 | Grupo /CLE_01 | 颁补蝉迟别濒谩苍 | IA.01 |
| 12:00-14:00 | Grupo /CLIL_01 | 颁补蝉迟别濒谩苍 | IA.02 |
| Martes | |||
| 10:30-12:00 | Grupo /CLE_01 | 颁补蝉迟别濒谩苍 | IA.01 |
| 12:00-14:00 | Grupo /CLIL_02 | 颁补蝉迟别濒谩苍 | IA.02 |
| 21.01.2025 16:00-20:00 | Grupo /CLE_01 | IA.01 |
| 21.01.2025 16:00-20:00 | Grupo /CLIL_02 | IA.01 |
| 21.01.2025 16:00-20:00 | Grupo /CLIL_01 | IA.01 |
| 21.01.2025 16:00-20:00 | Grupo /CLIL_01 | IA.11 |
| 21.01.2025 16:00-20:00 | Grupo /CLE_01 | IA.11 |
| 21.01.2025 16:00-20:00 | Grupo /CLIL_02 | IA.11 |
| 21.01.2025 16:00-20:00 | Grupo /CLIL_02 | IA.12 |
| 21.01.2025 16:00-20:00 | Grupo /CLE_01 | IA.12 |
| 21.01.2025 16:00-20:00 | Grupo /CLIL_01 | IA.12 |
| 30.06.2025 16:00-20:00 | Grupo /CLE_01 | IA.11 |
| 30.06.2025 16:00-20:00 | Grupo /CLIL_01 | IA.11 |
| 30.06.2025 16:00-20:00 | Grupo /CLIL_02 | IA.11 |