Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Traballo do Alumno/a ECTS: 110 Horas de Titorías: 1 Clase Expositiva: 14 Clase Interactiva: 25 Total: 150
Linguas de uso Inglés
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Electrónica e Computación, Departamento externo vinculado ás titulacións
Áreas: Ciencia da Computación e Intelixencia Artificial, Área externa Máster en Visión por Computador / Computer Vision
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
O obxetivo do curso é presentar ó alumnado algúns dos temas mais relevantes da aprendizaxe automática, facendo fincapé na teoría, exemplos prácticos e proxectos reais aplicados a visión por computador. Cada exercicio tratará de reforzar algún concepto explicado nas clases expositivas.
1. Teoría da aprendizaxe automática
2. Regresión e optimización
3. Introducción a modelos de datos secuenciais
4. Técnicas de clasificación: selección de modelos e validación
5. Redes neuronais artificiais
6. Máquinas de vectores de soporte
7. Grupos de clasificadores
8. Aprendizaxe automático non supervisado
Básica:
Machine learning techniques: R.O. Duda, P.E. Hart, D.G. Stork. Pattern classification. Wiley Interscience, 2000. ISBN: 978-0471056690.
Do we Need Hundreds of Classifiers to Solve Real World Classification Problems? Manuel Fern ́andez-Delgado, Eva Cernadas, Senén Barro and Dinani Amorim. Journal of Machine Learning Reseach. 2014.
Outros artigos recomendados durante o curso.
Complementaria:
Invisible women: Exposing data bias in a world designed for men. Carolina Criado Pérez, Random House, 2019.
Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Kate Crawford. 2021.
Habilidade para traballar en equipo, organizar e planificar (CT2).
Habilidade para analizar e sintetizar coñecemento (CG1).
Coñecer os fundamentos dos modelos da aprendizaxe automática aplicados a visión por computador (CE2).
Habilidade para desenvolver sistemas de aprendizaxe automática simples en función das necesidades e aplicando as tecnoloxías apropiadas (CB7, CG4).
Adquirir destrezas de aprendizaxe para continuar estudando posteriormente de forma autónoma (CB6, CG5).
Exercer a profesión con conciencia clara da súa dimensión humana, económica, legal e ética, con especial atención a desigualdades de xénero dos modelos de aprendizaxe automática.
Clases expositivas e seminarios utilizando dinámicas para aprender en base a resolución de casos prácticos e proxectos que fomenten o traballo autónomo, independente e cooperativo do alumnado.
Avaliación continua: representa un 100% da nota da asignatura( 65% para as entregas supervisadas de traballos e 35% para a realización dun proxecto).
En caso de fraude, será aplicada a "Normativa de avaliación do rendemento académico d@s estudant@s e de revisión de cualificacións".
Traballo presencial:
Clases expositivas: 14h
Clases de laboratorio: 25h
Exames: 3h
Total: 42h
Traballo autónomo:
Estudio autonomo: 24h
Estudio de laboratorio: 96h
Total: 120h
Asistir as clases expositivas e sesións de laboratorio, e resolver os exercicios propostos usando as librerías de aprendizaxe automática utilizadas no laboratorio. Ler os artigos recomendados no curso.
Parte do material da materia estará dispoñible na páxina web:
http://persoal.citius.usc.es/eva.cernadas/fmlcv
Eva Cernadas García
Coordinador/a- Departamento
- Electrónica e Computación
- Área
- Ciencia da Computación e Intelixencia Artificial
- Teléfono
- 881816459
- Correo electrónico
- eva.cernadas [at] usc.es
- Categoría
- Profesor/a: Titular de Universidade
| Xoves | |||
|---|---|---|---|
| 15:30-18:30 | Grupo /CLE_01 | Inglés | Aula A9 |