ECTS credits ECTS credits: 6
ECTS Hours Rules/Memories Student's work ECTS: 102 Hours of tutorials: 6 Expository Class: 18 Interactive Classroom: 24 Total: 150
Use languages Spanish, Galician
Type: Ordinary subject Master’s Degree RD 1393/2007 - 822/2021
Departments: Electronics and Computing, Statistics, Mathematical Analysis and Optimisation
Areas: Computer Science and Artificial Intelligence, Statistics and Operations Research
Center Higher Technical Engineering School
Call: First Semester
Teaching: With teaching
Enrolment: Enrollable | 1st year (Yes)
El objetivo de este curso es proporcionar al alumnado algunos conceptos básicos del aprendizaje estadístico, entendiendo como tales las técnicas que permiten describir y modelar conjuntos de datos complejos. En concreto, el curso se centrará en las técnicas de aprendizaje supervisado. En la primera parte se incluyen los modelos de regresión lineal simple y múltiple, para los que se considerarán técnicas de selección de variables y de regularización para la reducción de la dimensión, así como el modelo de regresión logística y técnicas de análisis discriminante. También se introducirán herramientas como las máquinas de soporte vectorial y las redes neuronales.
• Introducción.
• Inferencia estadística.
• Optimización convexa.
• Métodos lineales para regresión.
• Métodos lineales para clasificación.
• Reducción de la dimensión.
• Métodos núcleo y splines
• Selección de modelos.
• Métodos basados en vecinos más próximos.
• Árboles.
• Redes de neuronas artificiales.
• Máquinas de soporte vectorial.
• Ensembles: boosting y bagging.
Textos básicos:
JAMES, Gareth, WITTEN, Daniela, HASTIE, Trevor, TIBSHIRANI, Robert. An Introduction to Statistical Learning with Applications in R. Ed. 1, New York: Springer, 2013. ISBN 978-1-4614-7137-0.
HASTIE, Trevor, TIBSHIRANI, Robert, FRIEDMAN, Jerome. The elements of statistical learning: data mining, inference, and prediction. Ed. 2, New York: Springer, 2009. ISBN 978-0-3878-4857-0.
Textos complementarios:
BISHOP, Christopher M. Pattern recognition and machine learning. Ed. 1, New York: Springer, 2006. ISBN: 978-0-3873-1073-2.
BISHOP, Christopher M. Neural networks for pattern recognition. Ed. 1, Oxford: Oxford University Press, 2002. ISBN: 0-19-853864-2.
El alumno poseerá y comprenderá conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
Los estudiantes sabrán aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
Los estudiantes serán capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
Los estudiantes poseerán las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
El alumno adquirirá la capacidad de trabajo autónomo y toma de decisiones.
El alumno adquirirá capacidad analítica, crítica y de síntesis.
El alumno mejorará su creatividad.
Los estudiantes sabrán sintetizar y describir una gran cantidad de datos seleccionando los estadísticos adecuados al tipo de variables y analizar las relaciones existentes entre ellas.
Los alumnos adquirirán la capacidad para modelar la dependencia entre una variable respuesta y varias variables explicativas, en conjuntos de datos complejos, mediante técnicas de regresión, e interpretando los resultados obtenidos.
Los estudiantes adquirirán la capacidad para analizar un conjunto dado de variables mediante técnicas de clasificación interpretando los resultados obtenidos.
Competencias de la titulación que se trabajan (ver memoria título):
• Básicas: CB6, CB7, CB8, CB10.
• Transversales/generales: G2, G4, G5.
• Específicas: E6, E7, E8.
Las actividades docentes comprenden sesiones expositivas, interactivas y tutorías. En las sesiones expositivas, el profesorado explicará los conceptos teórico-prácticos de los contenidos, presentando algunos ejemplos tipo. Respecto al material para el seguimiento de la materia, además de la bibliografía recomendada, el alumnado dispondrá de material docente complementario.
La docencia interactiva se realizará en aula de informática, donde se introducirá al alumnado en el manejo del paquete R para el análisis estadístico de datos, así como en el uso de librerías para aprendizaje automático. También se trabajará sobre los casos prácticos que tendrán que resolver. Para el seguimiento de las sesiones en el aula de informática, se facilitará al alumnado los guiones de las prácticas. Estas sesiones permiten al alumnado familiarizarse, desde un punto de vista práctico, con los conceptos expuestos en las clases teóricas.
Las tutorías están destinadas al seguimiento del aprendizaje del alumnado. En las sesiones de tutoría se realizarán distintas actividades que permitan al alumnado alcanzar una visión de conjunto de la materia y, al mismo tiempo, identificar en qué aspectos deben mejorar. También se utilizarán estas sesiones para evaluar el progreso del alumnado en la realización de los trabajos a desarrollar dentro de la materia.
Actividades formativas de carácter presencial y su relación con las competencias de la titulación:
Clases teóricas: CB6, CB8, E6.
Clases prácticas: CB6, CB7, G2, G4, G5, E7, E8.
Tutorías programadas: G4, E6.
Actividades formativas de carácter no presencial y su relación con las competencias de la titulación:
Trabajo personal del alumno. Consulta de bibliografía, estudio autónomo, desarrollo de actividades programadas, preparación de presentaciones y trabajos: CB7, CB10, G2, G4, G5, E7, E8.
Realización de prácticas: 50%. Se evaluará mediante la corrección de los ejercicios entregados y/o mediante test de autoevaluación.
Examen final: 50%.
Para aprobar la asignatura es imprescindible superar ambas partes por separado. La nota final de la materia será la media aritmética de las prácticas y el examen, excepto en aquellas situaciones en las que no se haya aprobado alguna de las dos partes, en cuyo caso la nota final será el mínimo entre prácticas y examen.
En la evaluación de julio se mantiene la nota de prácticas, en el caso de tener una cualificación de la misma de 5 o más puntos. En otro caso el estudiante tendrá que ser evaluado de nuevo de la parte de prácticas de la materia en esta segunda oportunidad. En cualquier caso, se deberá hacer el examen final, no conservándose la nota anterior.
Para los casos de realización fraudulenta de ejercicios o pruebas será de aplicación lo recogido en la Normativa de evaluación del rendimiento académico de los estudiantes y de revisión de calificaciones.
Clases teóricas: 21h.
Clases prácticas: 21h.
Tutorías programadas: 2h.
Examen: 2h.
Trabajo personal del alumno: 104h.
Total: 150h.
Es aconsejable la asistencia a las clases y el seguimiento regular del material proporcionado por los profesores. También es importante la lectura de la bibliografía recomendada.
Aunque no es imprescindible, tener conocimientos previos de inferencia estadística y del software estadístico R facilitará considerablemente el aprendizaje de la materia.
Se hace uso del campus virtual.
Manuel Felipe Mucientes Molina
Coordinador/a- Department
- Electronics and Computing
- Area
- Computer Science and Artificial Intelligence
- Phone
- 881816434
- manuel.mucientes [at] usc.es
- Category
- Professor: University Professor
Jose Ameijeiras Alonso
- Department
- Statistics, Mathematical Analysis and Optimisation
- Area
- Statistics and Operations Research
- jose.ameijeiras [at] usc.es
- Category
- Professor: LOU (Organic Law for Universities) PhD Assistant Professor
| Tuesday | |||
|---|---|---|---|
| 17:15-18:30 | Grupo /CLE_01 | Spanish | PROJECTS |
| 01.13.2025 16:00-19:45 | Grupo /CLIL_01 | IA.01 |
| 01.13.2025 16:00-19:45 | Grupo /CLE_01 | IA.01 |
| 06.24.2025 16:00-19:45 | Grupo /CLIL_01 | IA.01 |
| 06.24.2025 16:00-19:45 | Grupo /CLE_01 | IA.01 |