Fundamentos de aprendizaxe automática

Pretendese que o alumno entenda os principais conceptos asociados a Aprendizaxe Estatística ou Automática e os seus fundamentos matemáticos. Faráse un percorrido por os principais técnicas e ferramentas da aprendizaxe automática que xorden de problemas de regresión e clasificación tanto supervisada como non supervisada analizando as vantaxes, riscos e desvantaxes de cada aproximación.
Os obxectivos a alcanzar como resultado da aprendizaxe son:
• Identificar e modelar problemas en aplicacións reais escollendo a ferramenta apropiada.
• Comprender as implicacións das hipóteses estruturais nos resultados dos modelos e posible reformulacións.
• Construir modelos de aprendizaxe estatístico para o análise de datos.
• Interpretar os resultados cara a súa presentación tanto ante público especializado como non especializado.

Tema 1. Fundamentos de Probabilidade, Estatística e Aprendizaxe Estatística. Técnicas xerais de preprocesado de datos e avaliación de modelos.
Tema 2. Modelos clásicos de Regresión e Clasificación
Tema 3. Extensións de modelos de regresión e clasificación.
Tema 4. Técnicas de remostraxe e ensamblado de modelos.
Tema 5. Técnicas de clasificación non supervisada

Básica
• Friedman, J.; Hastie, T. and Tibshirani, R. (2008) The Elements of Statistical Learning. Springer
• James, G.; Witten, D.; Hastie, T. and Tibshirani (2021) An introduction to Statistical Learning 2ed. Springer.

Complementaria
• Pathak, M.A. (2014). Beginning Data Science with R. Springer
• Theodoridis, S. (2020). Machine Learning. A Bayesian and Optimization Perspective. Academic Press.

Nesta materia traballaranse as competencias básicas, xerais e específicas recollidas na memoria do título:

CG2 - Capacidade para resolver problemas con iniciativa, toma de decisións, autonomía e creatividade.
CG4 - Capacidade para seleccionar e xustificar os métodos e técnicas adecuadas para resolver un problema concreto, o para desenrolar e proponer novo métodos basados en intelixencia artificial.
CG5 - Capacidade para concibir novos sistemas computacionais e/ou avaliar o rendimento de sistemas existentes, que integren modelos e técnicas de intelixencia artificial.
CB3 – Capacidade de reunir e interpretar datos relevantes (normalmente dentro do seu área de estudio) para emitir xuizos que inclúan unha reflexión sobre temas relevantes de índole social, científica o ética
CB5 – Capacidade para emprender estudos posteriores con un alto grao de autonomía
TR3 - Capacidade para crear novos modelos y soluciones de forma autónoma y creativa, adaptándose a nuevas situaciones. Iniciativa y espíritu emprendedor.
CE1 - Capacidade para utilizar os conceptos e métodos matemáticos e estatísticos para modelizar e resolver problemas de intelixencia artificial
CE15 - Coñecer e saber aplicar e explicar correctamente as técnicas de validación das solucións de intelixencia artificial.
CE2 - Capacidade para resolver problemas de intelixencia artificial que precisen algoritmos, aplicando correctamente metodoloxías de desenrolo de software e deseño.
CE12 - Coñecer os fundamentos dos algoritmos e modelos da intelixencia artificial para a resolución de problemas de certa complexidade, entender a súa complexidade computacional e ter capacidade para deseñar novos modelos.

A ensinanza constará de clases expositivas (20hrs) e interactivas (30hrs), asi como de titorización do aprendizaxe e das tareas encomendadas ao alumnado. As clases expositivas consistirán en presentacións de tipo maxistral para expoñer os contidos dos distintos temas, con especial énfase na explicación e asimilación de conceptos, fundamentos matemáticos e utilidade. Nas clases interactivas resolveranse problemas prácticos relacionados cos temas: regresión e clasificación tanto supervisada como non supervisada. A estructura das clases está deseñada para cubrir todas as compentencias: xerais, básicas, tranversais e específicas.

A calificación final será a combinación da nota do exame final coa nota da avaliación continua nunha proporción (60%-40%). O exame final consistirá nunha proba feita en ordenador sobre a resolución de problemas prácticos. A avaliación continua consistirá en probas feitas no horario de laboratorio ao longo do curso. Para a segunda oportunidade, gardarase a nota da avaliación continua obtida durante o curso.

Cada crédito ECTS tradúcese en 8 horas de clase de tipo presencial. Estímase que o alumno necesitará, por cada hora de clase presencial, unha hora adicional para a comprensión global dos contidos. A realización de traballos de avaliación continua ou a preparación de probas ascenderá a 9 horas por crédito ECTS. En total resultarán 25 horas por crédito ECTS.

É convinte ter frescos os conceptos de Álxebra, Cálculo e Análise Numérico e Estatística de materias anteriores.

Aconséllase participar activamente no proceso de aprendizaxe da materia: asistencia e participación nas clases teóricas e de ordenador e da utilización das horas de titoría así como da realización dun esforzo responsable do traballo e asimilación persoal dos métodos estudados.

Para os casos de realización fraudulenta de exercicios e probas, será de aplicación o recollido na respectiva normativa de Universidade.
Esta guía e os criterios e metodoloxías nela descritos están suxeitos as modificacións que se deriven de normativas e directrices da USC.