ECTS credits ECTS credits: 6
ECTS Hours Rules/Memories Hours of tutorials: 3 Expository Class: 24 Interactive Classroom: 24 Total: 51
Use languages Spanish, Galician
Type: Ordinary Degree Subject RD 1393/2007 - 822/2021
Departments: Electronics and Computing
Areas: Computer Science and Artificial Intelligence
Center Higher Polytechnic Engineering School
Call: Second Semester
Teaching: With teaching
Enrolment: Enrollable
Conocer las t茅cnicas de aprendizaje supervisado (para regresi贸n y clasificaci贸n, especialmente redes neuronales, aprendizaje profundo, m谩quinas de vectores de soporte y ensambles) y no supervisado (especialmente agrupamiento, selecci贸n de caracter铆sticas y reducci贸n de dimensionalidad), junto con la capacidad de aplicarlas en la implementaci贸n de controladores de cualquier tipo de robot.
Introducci贸n al aprendizaje autom谩tico. 脕rboles de decisi贸n. Selecci贸n de caracter铆sticas y reducci贸n de la dimensionalidad. M茅todos lineales de regresi贸n y clasificaci贸n. Redes neuronales y aprendizaje profundo. Agrupamiento: kmedias, agrupamiento jer谩rquico. M谩quinas de vectores de soporte. Ensembles
Bibliograf铆a b谩sica:
- Machine Learning. Tom mitchell. Publisher: McGraw Hill, 1997
- Artificial Intelligence: A Modern Approach. Stuart J. Russell, Peter Norvig. 4th Edition. Prentice Hall, 2020.
Bibliograf铆a complementaria:
- Deep Learning. Aaron Courville, Ian Goodfellow, and Yoshua Bengio. MIT Press, 2016.
- Pattern Recognition and Machine Learning. Christopher M. Bishop. Springer, 2006.
El alumno que ha superado el curso con 茅xito ser谩 capaz de:
Conocimiento:
Con54. Discutir las t茅cnicas de aprendizaje supervisado y no supervisado.
Destreza:
H/D59. Aplicar t茅cnicas de aprendizaje autom谩tico en la implementaci贸n de controladores de cualquier tipo de robot.
Competencia:
Comp14. Conocer las t茅cnicas de inteligencia artificial utilizadas en rob贸tica industrial y de servicios, saber c贸mo utilizarlas en aplicaciones rob贸ticas fijas y m贸viles.
Comp15. Utilizar e implementar m茅todos de aprendizaje computacional en el an谩lisis de datos sensoriales y para la toma de decisiones en sistemas rob贸ticos.
Comp19. Entender y saber programar las t茅cnicas de an谩lisis, procesado, detecci贸n, reconocimiento y seguimiento de patrones en los distintos tipos de se帽ales procedentes de diferentes sensores y c谩maras dentro del entorno de un robot.
Los contenidos de la materia se impartir谩n tanto en clases expositivas de teor铆a como en clases interactivas de pr谩cticas. Ambos tipos de clases se ir谩n alternando a lo largo del semestre, de tal modo que las pr谩cticas afianzar谩n los conceptos mostrados en teor铆a.
Las clases de teor铆a expositivas se desarrollar谩n en el aula por parte del profesorado, apoyado por medios electr贸nicos (presentaciones electr贸nicas, v铆deos, documentos t茅cnicos complementarios...) disponibles en el Campus Virtual de la 奇趣腾讯分分彩. Dichas clases seguir谩n los contenidos pormenorizados de la asignatura que aparezcan reflejados en la programaci贸n docente anual. Las presentaciones magistrales del profesor se combinar谩n con la propuesta de ejercicios espec铆ficos para afianzar los conceptos presentados. Estos ejercicios ser谩n resueltos por los alumnos (en clase o en casa) para despu茅s ser corregidos en clase de una manera participativa.
La docencia de las pr谩cticas, realizadas en grupos reducidos de 20 alumnos y de car谩cter interactivo, ser谩n actividades complementarias a las clases te贸ricas expositivas. Ser谩n desarrolladas en laboratorios de rob贸tica con robots reales y en clases de inform谩tica bajo la supervisi贸n del profesorado. Los alumnos seguir谩n de manera aut贸noma los guiones de las pr谩cticas espec铆ficas disponibles en el Campus Virtual de la 奇趣腾讯分分彩. Estas actividades no s贸lo permitir谩n al alumnado la comprensi贸n de los conceptos te贸ricos mediante su puesta en pr谩ctica sino que tambi茅n les permitir谩n la adquisici贸n de habilidades necesarias para aplicar algoritmos de aprendizaje autom谩tico en su futuro profesional.
Asimismo, en las tutor铆as se atender谩 al alumnado para discutir, comentar, aclarar o resolver cuestiones concretas en relaci贸n con sus tareas dentro de la asignatura (recopilaci贸n de informaci贸n, preparaci贸n de pruebas de evaluaci贸n, pr谩cticas, trabajos...). Estas tutor铆as ser谩n tanto presenciales como virtuales a trav茅s de correo electr贸nico, campus virtual o la plataforma Microsoft Teams.
La evaluaci贸n se llevar谩 a cabo de dos formas: (1) Evaluaci贸n continua a trav茅s de la posible valoraci贸n de pr谩cticas en el laboratorio. Se podr谩 proponer la posible realizaci贸n de trabajos voluntarios que fomenten la creatividad del alumno, motivaci贸n, etc., y que permitan que profundicen en algunos de los contenidos de la materia, o exploren alternativas no cubiertas directamente en los contenidos impartidos por el profesor. (2) Por otra parte, habr谩 una 煤ltima prueba final que podr谩 contener ejercicios te贸ricos y/o pr谩cticos. La prueba final representar谩 el 60% del total de la asignatura, mientras que el 40% restante lo representan las pruebas (las pr谩cticas entregables mencionadas en el punto 1, trabajos, cuestionarios, etc.) que se propongan en el aula. La materia se considerar谩 superada si se obtiene una calificaci贸n global ponderada igual o superior a 5 puntos (sobre 10) entre las dos formas de evaluaci贸n, y en la prueba final se obtiene una calificaci贸n igual o superior a 4 puntos (sobre 10).
El alumno recibir谩 la calificaci贸n de "non presentado" cuando no haga el examen final.
Para los casos de realizaci贸n fraudulenta de ejercicios o pruebas ser谩 de aplicaci贸n lo establecido en la 鈥淣ormativa de avaliaci贸n do rendemento acad茅mico dos estudantes e de revisi贸n das cualificaci贸ns鈥
La asistencia tanto a las clases te贸ricas como pr谩cticas ser谩 obligatoria, salvo por causa justificada. Para aquellos alumnos que tengan dispensa, el sistema de evaluaci贸n ser谩 el mismo no tendr谩n obligaci贸n de asistir a las clases te贸ricas, pero se mantiene la obligaci贸n de asistencia a las pr谩cticas de laboratorio.
Evaluaci贸n de segunda oportunidad: Los alumnos podr谩n entregar en fecha previa el examen de la segunda oportunidad, aquellas actividades que le plantee el profesor, correspondientes a aquellas que no hubiesen superado en la convocatoria anterior. Podr谩 haber una defensa de trabajos con el profesor. Por otra parte, habr谩 un examen de segunda oportunidad, en consonancia con lo que sucede en la primera oportunidad y cuyo peso en la calificaci贸n final es el mismo.
Evaluaci贸n de repetidores: los alumnos repetidores se evaluar谩n de la misma forma que los alumnos en la primera oportunidad.
La materia tiene una carga de trabajo de 6 ECTS dividida de la siguiente forma:
- 1. Trabajo en el aula (60 horas presenciales)
- 1.1. Clases expositivas te贸ricas (en grupo grande): 24 horas
- 1.2. Pr谩cticas (con peque帽os grupos): 24 horas
- 1.3. Tutor铆as de grupo: 3 horas
- 1.4. Tutor铆as individualizadas: 4 horas
- 1.5. Actividades de evaluaci贸n: 5 horas
- 2. Trabajo personal del alumnado (90 horas no presenciales)
- 2.1. Lectura, revisi贸n de temas y ejercicios de teor铆a: 24 horas
- 2.2. Preparaci贸n de ejercicios e informes de pr谩cticas: 48 horas
- 2.3. Preparaci贸n de tutor铆as de grupo: 4 horas
- 2.4. Preparaci贸n de tutor铆as individualizadas: 7 horas
- 2.5. Preparaci贸n de pruebas de evaluaci贸n: 7 horas
Debido a la alta correlaci贸n existente entre los conceptos desarrollados en las clases de teor铆a y los contenidos de las pr谩cticas, se recomienda a los alumnos constancia en el estudio de la materia, acudiendo a las sesiones de pr谩cticas con los conceptos te贸ricos revisados y los ejercicios resueltos. La realizaci贸n de las pr谩cticas ayudar谩 al afianzamiento de los conceptos te贸ricos y a su utilizaci贸n en situaciones reales.
Francisco Javier Garcia Polo
Coordinador/a- Department
- Electronics and Computing
- Area
- Computer Science and Artificial Intelligence
- franciscojavier.garcia.polo [at] usc.es
- Category
- Professor: University Lecturer
| Tuesday | |||
|---|---|---|---|
| 11:00-13:00 | Grupo /CLE_01 | Spanish | Classroom 8 (Lecture room 2) |
| 05.13.2025 16:00-20:00 | Grupo /CLE_01 | Classroom 7 (Lecture room 2) |
| 05.13.2025 16:00-20:00 | Grupo /CLE_01 | Computer Room 4 (Pav.III) |
| 06.25.2025 16:00-20:00 | Grupo /CLE_01 | Classroom 7 (Lecture room 2) |
| 06.25.2025 16:00-20:00 | Grupo /CLE_01 | Computer Room 4 (Pav.III) |
| 06.25.2025 16:00-20:00 | Grupo /CLE_01 | Computer Room 5 (Pav III) |