La asignatura está sujeta a evaluación continua y podrá superarse de acuerdo con los criterios de valoración y ponderaciones descritas en el apartado "Sistemas de Evaluación" de esta guía docente. La calificación final será la siguiente:
Calificación final = 0.7·SE1 + 0.2·SE3 + 0.1·SE4
Donde SE1 es la calificación media obtenida con los informes técnicos de prácticas de laboratorio correspondientes a los proyectos presentados, SE3 es la calificación obtenida con la presentación pública de trabajos, y SE4 es la calificación obtenida mediante el seguimiento académico. Todas las pruebas SE1, SE3 y SE4 serán valoradas entre 0 y 10 puntos. La calificación final obtenida por evaluación continua será la calificación del estudiante en la convocatoria de diciembre-enero. En otro caso, un estudiante podrá superar la asignatura en la convocatoria de diciembre-enero (para las asignaturas del primer cuatrimestre si cumple las condiciones del artículo 8.6 del Reglamento de Evaluación de Estudiantes (REVA), siendo su calificación final de 0.7·SE1 + 0.3·SE3.
Los estudiantes que no superen la asignatura en la convocatoria de diciembre-enero podrán superar la asignatura en una convocatoria posterior presentándose a las pruebas no superadas en la convocatoria anterior. La calificación de las pruebas superadasen una convocatoria se conservaráa las siguientes convocatorias, hasta la convocatoria de junio-julio inclusive.
Se obtendrá la calificación “No presentado”en las convocatorias de mayo-junio, junio-julio o diciembre-enero cuando el estudiante no haya realizado ninguna de las pruebas de evaluaciónen la convocatoria correspondiente
USO DE LA IA:Todos los recursos y materiales no originales que se utilicen en los ejercicios evaluables, incluyendo herramientas de Inteligencia Artificial, ayuda de compañeros, recursos de internet, libros, artículos, etc. deberán referenciarse claramente en el código fuente y la documentación asociada a los ejercicios prácticos entregados.
Aplicación de la asignatura a los Objetivos de Desarrollo Sostenible
Esta asignatura se encuentra vinculada de forma directa con los siguientes Objetivos de Desarrollo Sostenible (ODS):
- ODS nº 3 "Salud Y Bienestar".Machine Learning se puede utilizar en el diagnóstico y tratamiento de enfermedades, optimizando recursos en salud pública y mejorando la precisión de los diagnósticos. Por ejemplo, algoritmos de ML pueden analizar imágenes médicas para detectar cáncer en etapas tempranas, mejorar el seguimiento de enfermedades crónicas mediante wearables, y optimizar la asignación de recursos en hospitales.
- ODS nº 4 "Educación de calidad", en particular con la Meta 44 "Aumento de las competencias para acceder al empleo". El Machine Learning puede personalizar el aprendizaje y mejorar la calidad de la educación. Los sistemas de recomendación pueden sugerir contenidos específicos para estudiantes según su progreso y necesidades, ayudando a cerrar brechas educativas.
- ODS nº 7 "Energia Asequible y no Contaminante". Las técnicas de Machine Learning puede mejorar la eficiencia energética y promover el uso de energías renovables. Los sistemas inteligentes pueden predecir la demanda energética, optimizar la distribución y almacenamiento de energía, y aumentar la eficiencia de las redes eléctricas.
- ODS 9: “Industria, Innovación e infraestructuras”,en particular con la meta 5 Aumentar la investigación científica y mejorar la capacidad tecnológica de los sectores industriales de todos los países, en particular los países en desarrollo, entre otras cosas fomentando la innovación y aumentando considerablemente, de aquí a 2030, el número de personas que trabajan en investigación y desarrollo por millón de habitantes y los gastos de los sectores público y privado en investigación y desarrollo”. La contribución de esta asignatura a esta meta está justificada por tratar contenidos relacionados con la Inteligencia Artificial, tecnología con una alta capacidad innovadora.
- ODS nº 11 "Ciudades y Comunidades Sostenibles". Las técnicas de Machine Learning pueden optimizar el tráfico, mejorar la gestión de residuos, y aumentar la eficiencia de los servicios públicos. Los algoritmos de Machine Learning pueden analizar patrones de tráfico para reducir congestiones y emisiones, y mejorar la seguridad pública mediante análisis predictivo de delitos.
NECESIDADES EDUCATIVAS ESPECIALES
Aquellos estudiantes con discapacidad o necesidades educativas especiales podrán dirigirse al Servicio de Atención a la Diversidad y Voluntariado (ADYV - https://www.um.es/adyv) para recibir orientación sobre un mejor aprovechamiento de su proceso formativo y, en su caso, la adopción de medidas de equiparación y de mejora para la inclusión, en virtud de la Resolución Rectoral R-358/2016. El tratamiento de la información sobre este alumnado, en cumplimiento con la LOPD, es de estricta confidencialidad.
REGLAMENTO DE EVALUACIÓN DE ESTUDIANTES
El artículo 8.6 del Reglamento de Evaluación de Estudiantes (REVA) prevé que "salvo en el caso de actividades definidas como obligatorias en la guía docente, si el o la estudiante no puede seguir el proceso de evaluación continua por circunstancias sobrevenidas debidamente justificadas, tendrá derecho a realizar una prueba global".
Se recuerda asimismo que el artículo 22.1 del Reglamento de Evaluación de Estudiantes (REVA) estipula que "el o la estudiante que se valga de conductas fraudulentas, incluida la indebida atribución de identidad o autoría, o esté en posesión de medios o instrumentos que faciliten dichas conductas, obtendrá la calificación de cero en el procedimiento de evaluación y, en su caso, podrá ser objeto de sanción, previa apertura de expediente disciplinario".
