Créditos ECTS Créditos ECTS: 4.5
Horas ECTS Criterios/Memorias Horas de Tutorías: 6.75 Clase Expositiva: 30 Clase Interactiva: 12 Total: 48.75
Lenguas de uso Castellano, Gallego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica y Computación, Departamento externo vinculado a las titulaciones
Áreas: Lenguajes y Sistemas Informáticos, Área externa M.U en Internet de las Cosas - IoT
Centro Escuela Técnica Superior de Ingeniería
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
La asignatura introduce al alumnado en las técnicas de aprendizaje automático. En particular se persigue que el alumno, al finalizar la asignatura, sea capaz de:
- Conocer y comprender los conceptos fundamentales sobre aprendizaje automático para IoT.
- Implementar algoritmos de aprendizaje máquina supervisado/no supervisado con redes neuronales clásicas y profundas.
- Aplicar los conocimientos adquiridos y resolver problemas en entornos nuevos o poco conocidos dentro de contextos más amplios y multidisciplinares, siendo capaces de integrar conocimientos.
Introducción al aprendizaje automático y metodologías para el desarrollo de modelos.
Preprocesado de datos y técnicas de reducción de dimensionalidad.
Aprendizaje supervisado: Clasificación y regresión.
Aprendizaje no supervisado.
Aprendizaje por refuerzo.
Redes Neuronales Artificiales y Deep Learning.
Introducción al aprendizaje en el borde y distribuido/federado
Bibliografía básica
[1]. Alpaydin, E. (2010). Introduction to machine learning. MIT press.
[2]. Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. Second edition. Cambridge (Massachusetts): MIT Press.
[3]. Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2021). Dive into deep learning. arXiv preprint arXiv:2106.11342.
[4]. 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.
Bibliografía complementaria
[1]. Brink, H., Richards, J., & Fetherolf, M. (2017). Real-world machine learning. Shelter Island, NY: Manning
[2]. Yang Q., Liu Y., Cheng Y., Kang, Y, Chen T. Yu H. (2020). Federated Learning. Springer, https://doi.org/10.1007/978-3-031-01585-4.
La memoria del título contempla para esta asignatura las siguientes competencias :
- Integrar tecnologías como el Aprendizaje Máquina, el tratamiento de datos masivos, las Tecnologías de Registro Distribuido (DLT), la computación en el borde, entre otras, para el desarrollo de sistemas IoT más inteligentes y eficientes.
Los contenidos de la asignatura se impartirán de manera indistinta entre las clases expositivas y las clases interactivas. La realización de todas las actividades propuestas es necesaria para superar la asignatura.
Clases Expositivas (teoría): consistirán en la explicación de los diferentes apartados del programa de la asignatura, con la ayuda de medios electrónicos (presentaciones, vídeos, etc.).
Clases interactivas (prácticas): se plantearán diferentes problemas prácticos relacionados con el contenido de la asignatura para que el alumno resuelva de forma individual o en grupos.
Trabajo autónomo: el alcance y objetivos de los proyectos, casos de uso y/o problemas prácticos podrán requerir del trabajo autónomo por parte de alumnado, aunque con la tutela del profesorado.
Tutorías: Las sesiones de tutorías servirán para resolver las dudas del alumnado relacionadas con los contenidos de la asignatura. Estas tutorías serán tanto presenciales como virtuales a través de correo electrónico, campus virtual o plataformas de videoconferencia. Las tutorías síncronas requerirán cita previa.
Primera oportunidad:
Para aprobar la asignatura, el alumno deberá completar y aprobar los trabajos prácticos (35%) y tutelados (25%) propuestos, que representan el 60% de la calificación final, así como superar el examen final, que constituye el 40% restante. Para ello, será necesario obtener una nota igual o superior a 5 en la calificación global. Además, se requiere alcanzar al menos un 4 en cada una de las partes evaluadas para que se pueda promediar.
Las preguntas del examen final se centrarán en los contenidos específicos que se han desarrollado en la materia en relación con sus competencias y que podrán haber sido adquiridos por el alumno tanto en la parte expositiva como en la interactiva.
Exámenes parciales:
No se realizará ningún examen parcial.
Segunda oportunidad:
Se mantiene la nota conseguida en las prácticas (trabajos prácticos y tutelados) durante el curso y también su peso en la nota final. Los alumnos que no hubiesen alcanzado la nota de corte en las actividades propuestas durante la convocatoria anterior podrán entregar, en fecha previa al examen final de segunda oportunidad, actividades similares a las no superadas, que serán propuestas por los docentes. Una vez superadas todas las partes evaluadas por separado, el examen será el 40% de la nota final y la parte práctica el 60% restante (trabajos prácticos 35% y tutelados 25%). Para aprobar la asignatura será necesario una nota media global igual o superior a 5. Además, se requiere alcanzar al menos un 4 en cada una de las partes evaluadas para que se pueda promediar.
Las preguntas del examen final se centrarán en los contenidos específicos que se han desarrollado en la materia en relación con sus competencias y que podrán haber sido adquiridos por el alumno tanto en la parte expositiva como en la interactiva.
Alumnos repetidores y/o con dispensa de asistencia:
Los alumnos repetidores y/o con dispensa de asistencia se examinarán en las mismas condiciones que los alumnos en primera convocatoria
No presentado:
El alumno recibirá la cualificación de "no presentado" cuando no realice el examen final.
Realización fraudulenta de ejercicios o pruebas:
Para los casos de realización fraudulenta de ejercicios o pruebas será de aplicación lo recogido en las normativas de evaluación del rendimiento oficiales de cada institución. En particular, si se detecta cualquier forma de plagio en alguna de las pruebas o exámenes, la calificación final será SUSPENSO (0), y se denunciará el incidente a las autoridades académicas correspondientes.
La materia tiene fijada, según la memoria del máster, una carga de trabajo de 4,5 ECTS. Dado que se ha fijado en 25 el número de horas correspondientes a cada ECTS, la carga total de trabajo para la materia se sitúa en 112,5 horas (4,5 ECTS x 25 horas por ECTS).
La carga de trabajo presencial está fijada en 24 horas de docencia expositiva, 12 horas de docencia interactiva. Por tanto, el trabajo personal de los/as estudiantes debe suponer 76,5 horas.
El alumno debería llevar al día la materia para poder aplicar en los ejercicios prácticos los conocimientos adquiridos de forma teórica.
Idioma principal: la materia se impartirá en castellano
David Mera Perez
- Departamento
- Electrónica y Computación
- Área
- Lenguajes y Sistemas Informáticos
- Correo electrónico
- david.mera [at] usc.es
- Categoría
- Profesor/a: Profesor Contratado/a Doctor