Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Tutorías: 4 Clase Expositiva: 20 Clase Interactiva: 24 Total: 48
Lenguas de uso Castellano, Gallego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica y Computación
Áreas: Ciencia de la Computación e Inteligencia Artificial
Centro Facultad de Ciencias
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
Los principales resultados de aprendizaje al cursar esta materia:
- Identificar y conocer las diferentes técnicas de IA orientadas al aprendizaje automático (i.e., Machine Learning).
- Identificar las diferentes técnicas de IA orientadas al aprendizaje profundo (i.e., Deep Learning).
- Saber aplicar el modelo más apropiado de aprendizaje automático o profundo, para un problema determinado de análisis /explotación de datos en el ámbito biomolecular.
- Saber utilizar plataformas software para construir modelos basados en aprendizaje automático o profundo, a partir de datos del ámbito biomolecular.
- Saber preprocesar, interpretar y reducir la dimensionalidad de los datos biomoleculares a gran escala, para facilitar su tratamiento mediante aprendizaje automático o profundo.
Teoría:
Introducción al aprendizaje automático.
Aprendizaje supervisado y no supervisado (i.e., Árboles de decisión, Gradient Boosting, Support Vector
Machine, etc).
Aprendizaje por refuerzo.
Introducción al Aprendizaje federado.
Introducción al aprendizaje profundo.
Redes neuronales convolucionales (CNN).
Combinación y selección de modelos.
Plataformas y herramientas software para aprendizaje automático y profundo.
Aspectos éticos derivados de la aplicación de técnicas de Inteligencia Artificial.
Prácticas: casos prácticos en laboratorio sobre los diferentes contenidos teóricos de la asignatura.
Seminarios:
Realización y exposición de trabajos sobre los diferentes contenidos teóricos de la asignatura.
Prácticas:
Casos prácticos en laboratorio sobre los diferentes contenidos teóricos de la asignatura.
Bibliografía básica
D. Borrajo, J. González y P. Isasi. Aprendizaje automático. Sanz y Torres.
T.M. Mitchell. Machine Learning. McGraw Hill.
Bibliografía complementaria
E. Rich y K. Knight. Artificial Intelligence. McGraw-Hill.
S. Russel y P. Norving. Artificial Intelligence: a modern approach. Prentice Hall. 2003
Comp05 - Colaborar en equipos interdisciplinares en cualquier ambiente de trabajo, partiendo del conocimiento del entorno y de la normativa legal vigente
Comp07 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su áreade estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética
Con08 - Identificar y conocer las diferentes técnicas de IA orientadas al aprendizaje automático (machine learning) y aprendizaje (deep learning) para construir modelos a partir de datos del ámbito
H/D10 - Reprocesar, interpretar y reducir la dimensionalidad de los datos biomoleculares a gran escala, para facilitar su tratamiento mediante aprendizaje automático o profundo
Para la correcta adquisición de las competencias por parte del estudiante se ha adoptado para el título el siguiente conjunto general de metodologías:
1ª) Docencia expositiva
2ª) Docencia interactiva:
Prácticas (en laboratorio y/o en aula de informática)
Resolución de problemas y/o casos prácticos
Seminarios
Tutorías en grupos reducidos
Campus Virtual de la USC
3ª) Realización de trabajos:
Trabajos individuales, sin o con exposición
Trabajos en grupo, sin o con exposición
4ª) Tutorías individuales
Dado que a partir de esta Memoria y de la normativa general de la USC ya se establecen, para cada materia y cuando corresponda, la distribución de las horas presenciales de docencia expositiva, prácticas, seminarios y tutorías en grupo, así como las tutorías individuales, el profesor responsable de la docencia de cada materia establecerá y hará constar en su guía docente qué metodologías empleará de entre las anteriormente citadas.
• Examen Final (Valor entre 10%-40% de la nota global) - Comp07, H/D10
• Seguimiento continuado (5%-35%) -Comp05
• Evaluación de trabajos prácticos (10%-40%) - Comp07, Comp05, H/D10, Con08
• Evaluación de trabajos tutelados (10%-40%) - Comp05, Con08
Para los casos de realización fraudulenta de ejercicios o pruebas será de aplicación el establecido en la "Normativa de evaluación del rendimiento académico de los estudiantes y de revisión de las calificaciones".
Clases de teoría/Clase magistral – 24 horas presenciales + 48 horas no presenciales
Clases prácticas de laboratorio/Prácticas de laboratorio – 12 horas presenciales + 20 horas no presenciales
Realización de trabajos tutelados/Trabajo autónomo – 0 horas presenciales + Z horas no presenciales
No hay
No hay
Sonia Maria Valladares Rodriguez
Coordinador/a- Departamento
- Electrónica y Computación
- Área
- Ciencia de la Computación e Inteligencia Artificial
- Correo electrónico
- sonia.valladares [at] usc.es
- Categoría
- Profesor/a: Profesor Ayudante Doctor LOU
| Martes | |||
|---|---|---|---|
| 11:00-12:00 | Grupo /CLE_01 | Castellano | 1P AULA 1 PRIMERA PLANTA |
| Miércoles | |||
| 10:00-12:00 | Grupo /CLE_01 | Castellano | 1P AULA 1 PRIMERA PLANTA |
| Jueves | |||
| 10:00-12:00 | Grupo /CLE_01 | Castellano | 1P AULA 1 PRIMERA PLANTA |
| 13.05.2025 10:00-13:00 | Grupo /CLE_01 | 1P AULA 1 PRIMERA PLANTA |
| 30.06.2025 10:00-13:00 | Grupo /CLE_01 | 1P AULA 1 PRIMERA PLANTA |