Créditos ECTS Créditos ECTS: 3
Horas ECTS Criterios/Memorias Traballo do Alumno/a ECTS: 44 Horas de Titorías: 1 Clase Expositiva: 20 Clase Interactiva: 10 Total: 75
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Física de Partículas
Áreas: Física Atómica, Molecular e Nuclear
Centro Facultade de Física
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
Os métodos de aprendizaxe automática (Machine Learning) comprenden unha serie de técnicas computacionais para a resolución de problemas complexos. Mediante a utilización de unidades simples computacionais, combinadas nun sistema neuronal, e mediante un sistema de aprendizaxe baseado na valoración de mostras escollidas, estes sistemas poder resolver problemas asociados a recoñecemento de patróns e clasificación de eventos con mellores resultados que os métodos tradicionais en moitas situacións de interese.
Preténdese que o alumno adquira coñecementos nas bases teóricas e a práctica de diferentes métodos de clasificación en aprendizaxe automática, como Redes Neuronais, Boosted Decision Trees, Random Forest ou Nearest Neighbour de utilidade en distintos eidos da Física. O estudantado aprenderá a programar e adestrar modelos sinxelos de redes neuronais a través de interfaces ou librerías para a produción e explotación destes modelos, coma TensorFlow, Apache Mahout, ROOT TMVA, Python mlpy, Keras, ou similares.
O nivel acadado polos estudantes permitiralles entender sen dificultade os programas escritos por especialistas no eido do recoñecemento de patróns no análise de detectores, identificación e clasificación topolóxica de eventos, trigger experimentais etc. e deseñar por si mesmos modelos sinxelos de sistemas de aprendizaxe automática.
- Introdución. Conceptos básicos en álxebra, probabilidade, estatística e computación requiridos en ML.
- Bases da aprendizaxe automática. Redes neuronais: unidades computacionais, perceptróns, ... Arquitecturas multicapa. Redes realimentadas profundas (Deep feedforward networks). Redes convolucionais. Métodos de Boosted Decision Trees, Random Forest e Nearest Neighbour.
- Algoritmos de aprendizaxe. Función de erro. Aprendizaxe supervisada e non supervisada. Análise de converxencia e estabilidade das solucións. Backpropagation. Adestramento das redes a través de Monte Carlo. Regularización e robustez en redes profundas. Optimización do adestramento.
- Casos prácticos. Uso de ROOT TMVA. Uso de librarías en python (mlpy, TensorFlow).
- I. Goodfellow, Y. Bengio, A. Courville, "Deep Learning”, 2016, MIT Press. https://www.deeplearningbook.org/
- A. Geron, “Hands-on Machine Learning with Scikit-Learn and TensorFlow”, 2017, O’Reilly Media. Jupyter notebooks pódense descargar en: https://github.com/ageron/handson-ml
- R. Rojas, "Neural Networks, A Systematic Introduction”, 1996, Springer-Verlag.
- TensorFlow, Open source machine learning framework: https://www.tensorflow.org/
- mlpy, Python module for Machine Learning: http://mlpy.sourceforge.net/
- TMVA:Toolkit for Multivariate Data Analysis with ROOT: https://root.cern.ch/tmva
- J. Torres, "Deep Learning, introducción práctica con Keras", Watch this space 2018, e versión online https://torres.ai/artificial-intelligence-content/deeplearning/deep-lea…
- C. Albon, "Machine Learning with Python Cookbook. Practical Solutions from Preprocessing to Deep Learning”, 2018, O'Reilly Media.
- Brink, Henrik,"Real-World Machine-Learning", 2016, Manning Publications (Código Biblioteca:3 C10 52).
- Chollet, François, "Deep learning with Python", 2017, Manning Publications (Código Biblioteca: 3 C10 53).
- Carou, David, Sartal, Antonio, Davim, J. Paulo, "Machine Learning and Artificial Intelligence with Industrial Applications", 2022, Springer.
COMPETENCIAS BÁSICAS:
CB6 - Posuír e comprender coñecementos que aporten unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación.
CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en contornas novas ou pouco coñecidas dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo.
CB8 - Que os estudantes sexan capaces de integrar coñecementos e enfrontarse á complexidade de formular xuízos a partir dunha información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociais e éticas vinculadas á aplicación dos seus coñecementos e xuízos.
CB9 - Que os estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos especializados e non especializados dun modo claro e sen ambigüidades.
CB10 - Que os estudantes posúan as habilidades de aprendizaxe que lles permitan continuar estudando dun modo que haberá de ser en gran medida autodirixido ou autónomo.
COMPETENCIAS XERAIS:
CG01 - Adquirir a capacidade de realizar traballos de investigación en equipo.
CG02 - Ter capacidade de análise e de síntese.
CG03 - Adquirir a capacidade para redactar textos, artigos ou informes científicos conforme aos estándares de publicación.
CG04 - Familiarizarse coas distintas modalidades usadas para a difusión de resultados e divulgación de coñecementos en reunións científicas.
CG05 - Aplicar os coñecementos á resolución de problemas complexos.
COMPETENCIAS TRANSVERSAIS:
CT01 - Capacidade para interpretar textos, documentación, informes e artigos académicos en inglés, idioma científico por excelencia.
CT02 - Desenvolver a capacidade para a toma de decisións responsables en situacións complexas e/ou responsables.
COMPETENCIAS ESPECÍFICAS:
CE01 - Coñecer os sistemas operativos e linguaxes de programación relevantes en física.
CE03 - Modelar e simular fenómenos físicos complexos por ordenador.
As clases divídense en sesións expositivas, nas que se lles presentan aos alumnos os conceptos esenciais por medio de diapositivas, sesións nas que os alumnos resolverán supostos prácticos no ordenador coa axuda do profesor e sesións de titoría nas que, se atenderá os estudantes individualmente ou en grupos moi reducidos. As titorías serán presenciais ou telemáticas.
Farase unha avaliación continua do alumno para garantir unha progresión axeitada na adquisición dos coñecementos e habilidades. Para iso, o profesor discutirá nas clases interactivas as soluciones propostas polos estudantes aos casos prácticos propostos con
anterioridade.
A cualificación final será unha medias dos dous puntos seguintes cos seus pesos:
Asistencia, atención e actividades nas clases 30%
Entrega de traballos 70%
Excepcionalmente, poderase realizar un exame final da materia, sempre que os estudantes completaran os exercicios obrigatorios propostos nas sesións interactivas. Nese caso a nota final será o máximo entre o resultado do exame e o promedio ponderado do 70% da nota do exame e o 30% da nota da avaliación continua.
Para os casos de realización fraudulenta de exercicios ou probas será de aplicación o recollido na “Normativa de avaliación do rendemento académico dos estudantes e de revisión de cualificacións”:
“Artigo 16. Realización fraudulenta de exercicios ou probas.
A realización fraudulenta dalgún exercicio ou proba esixida na avaliación dunha materia implicará a cualificación de suspenso na convocatoria correspondente, con independencia do proceso disciplinario que se poida seguir contra o alumno infractor. Considerarase fraudulenta, entre outras, a realización de traballos plaxiados ou obtidos de fontes accesibles ao público sen reelaboración ou reinterpretación e sen citas aos autores e as fontes.”
Docencia teórica: 20 horas (100% asistencia presencial)
Docencia práctica de laboratorio: 10 horas (100% asistencia presencial)
Titorización individual do alumnado: 1 horas (100% asistencia presencial ou telemática)
Traballo persoal do alumnado e outras actividades: 44 horas (0% presencialidade)
Recoméndase a preparación do alumno en linguaxes de programación e o repaso dos conceptos de python que se ofreceron en outras materias. O traballo persoal no estudo e experimentación coas librarías que permiten o deseño e explotación dos métodos de aprendizaxe automática é importante para a correcta consecución dos obxectivos do curso.
Cibran Santamarina Rios
Coordinador/a- Departamento
- Física de Partículas
- Área
- Física Atómica, Molecular e Nuclear
- Teléfono
- 881814012
- Correo electrónico
- cibran.santamarina [at] usc.es
- Categoría
- Profesor/a: Titular de Universidade
Xabier Cid Vidal
- Departamento
- Física de Partículas
- Área
- Física Atómica, Molecular e Nuclear
- Correo electrónico
- xabier.cid [at] usc.es
- Categoría
- Profesor/a: Titular de Universidade
| Martes | |||
|---|---|---|---|
| 11:00-12:00 | Grupo /CLE_01 | Galego | 3 (Informática) |
| Mércores | |||
| 11:00-12:00 | Grupo /CLE_01 | Galego | 3 (Informática) |
| Xoves | |||
| 11:00-12:00 | Grupo /CLE_01 | Galego | 3 (Informática) |
| Venres | |||
| 09:00-10:00 | Grupo /CLE_01 | Galego | 3 (Informática) |
| 03.06.2025 10:00-14:00 | Grupo /CLE_01 | 3 (Informática) |
| 04.07.2025 12:00-14:00 | Grupo /CLE_01 | 3 (Informática) |