Aprendizaxe Automática

Entender os principais conceptos asociados á aprendizaxe automática, así como os seus fundamentos matemáticos. Analizar algunhas das estratexias máis relevantes e máis amplamente aplicadas no deseño automático de regresores e clasificadores, así como das aproximacións supervisadas, non supervisadas e de aprendizaxe por reforzo. Ademáis de analizar os pros e contras das distintas aproximacións estudiadas, veranse algúns problemas frecuentes que poden derivarse do conxunto de datos de entrenamento e teste utilizados, tanto intrínsecas como por un uso inadecuado dos mesmos.

Tema 1. Conceptos preliminares da aprendizaxe automática
Tema 2. Reducción de dimensionalidade
Tema 3. Clasificación e regresión lineares
Tema 4. Árbores de decisión
Tema 5. Comités
Tema 6. Redes neuronais e aprendizaxe profunda
Tema 7. Máquinas de vectores de soporte
Tema 8. Agrupamento
Tema 9. Aprendizaxe por reforzo

Básica:
Theodoridis: Machine learning: a Bayesian and optimization perspective, Academic Press, ISBN 9780128188033
C.M. Bishop. Pattern recognition and machine learning, Springer, 2006, ISBN: 978-0387310732
R.O. Duda, P.E. Hart, D.G. Stork. Pattern classification. Wiley Interscience, 2000. ISBN: 978-0471056690
R.S. Sutton, A.G. Barton. Reinforcement learning: an introduction. MIT Press, 2nd Edition, 2018. ISBN: ISBN: 978-0262039246

Complementaria:
H. Daume. A course in machine learning. Autopublicado, 2017
P. Harrington. Machine learning in action. O'Reilly, 2012. ISBN 978-1617290183
J. Hurwitz, D. Kirsch. Machine learning for dummies. John Wiley & Sons, Inc., 2018. ISBN 9781119454953
La mujer invisible. Criado Pérez, Caroline. Barcelona : Seix Barral, 2020

CG8: Coñecemento das materias básicas e tecnoloxías, que capaciten para a aprendizaxe e desenvolvemento de novos métodos e tecnoloxías, así como as que lles doten dunha grande versatilidade para adaptarse a novas situacións.

CG9: Capacidade para resolver problemas con iniciativa, toma de decisións, autonomía e creatividade. Capacidade para saber comunicar e transmitir os coñecementos, habilidades e destrezas da profesión de Enxeñeiro en Informática.

TR1: Instrumentais: Capacidade de análise e síntese. Capacidade de organización e planificación. Comunicación oral e escrita en galego,
castellán e inglés. Capacidade de xestión da información. Resolución de problemas. Toma de decisións.

FB3: Capacidade para comprender e dominar os conceptos básicos da matemática discreta, lóxica, algorítmica e complexidade computacional, e a súa aplicación para a resolución de problemas propios da enxeñaría.

RI5: Coñecemento, administración e mantemento de sistemas, servizos e aplicacións informáticas.

Nesta asignatura úsanse librarías software que implementan métodos de aprendizaxe versátil a partir de datos con adaptación a novas situacións (competencia CG8). Tamén se realizan procesos de extracción de información que esixen tomar decisións de forma creativa e comunicar a información obtida a partir dos datos (CG9) de forma oral e escrita, planificando as estratexias de aprendizaxe e validación dos métodos usados (TR1). Os métodos estudados empregan conceptos de matemática discreta, e a análise da súa algorítmica e complexidade computacional son fundamentais para a súa aplicación a grandes volumes de datos (FB3). Finalmente, é necesaria a administración dos sistemas e aplicacións que implementan os métodos estudados (RI5).

Clases expositivas (10 h): presentacións tipo clase maxistral para expoñer os contidos dos distintos temas, con especial énfase na explicación e asimilación de conceptos, fundamentos matemáticos e potencial utilidade da aprendizaxe automática.
Clases interactivas (30 h): resolución de problemas prácticos de clasificación, regresión, agrupamento, reducción da dimensionalidade e aprendizaxe por reforzo.

Exame final con preguntas tipo test e de resposta curta sobre os contidos abordados nas clases expositivas: 40% da nota final.
Avaliación continua: avaliación da realización e resultados conseguidos nas distintas prácticas da materia: 60% da nota final.
Para aprobar a materia é necesario ter cando menos un 4 en cada parte, e que a nota media sexa igual ou superior a 5.

A entrega dalgún dos boletíns de prácticas (ou realizada calquera outra avaliación dalgunha práctica) suporá que o alumno optou por presentarse á materia. Polo tanto, a partir dese momento, aínda non presentándose ao exame final, suporase consumida unha oportunidade.

De ter que presentarse á segunda oportunidade (xullo), conservaranse as notas de calquera das partes avaliadas (exame final ou avaliación continua, centrada nas prácticas), sempre que dita nota sexa igual ou superior a 5. Doutro xeito terán que repetirse ambas partes. A partir de aí, para aprobar a materia aplicarase o mesmo criterio xa exposto para a primeira oportunidade.

En caso de realización fraudulenta de exames aplicarase a "Normativa de avaliación do rendemento académico d@s estudant@s e de revisión de cualificacións".

Traballo presencial:
Clases expositivas: 10h
Clases interactivas de laboratorio en ordenador: 30h
Actividades de avaliación: 5h
Total: 45h

Traballo persoal:
Estudo autónomo: 19h
Realización de exercicios: 7h
Programación en ordenador: 28h
Avaliación de exames: 13h
Total: 67h

Asistencia a clase e realización das prácticas propostas usando as librarías de aprendizaxe automática empregadas na asignatura e mediante programación directa

Os contidos de apoio á materia, tanto das clases expositivas como interactivas, estarán dispoñibles no campus virtual da materia.

A lingua predominante de impartición da materia será o galego.