- Catálogo
-
:::
:::
Introdución á Machine Learning para a docencia
Información do curso
Introdución á Machine Learning para a docencia
| Tipo | Curso de formación do PDI | ||||
| Código | PFPPML21 | ||||
| Nome | Introdución á Machine Learning para a docencia |
|
|||
| Modalidade | Virtual síncrona | ||||
| Horas | 8 | ||||
| Descrición | Machine Learning (ML) é o campo de estudo que dá aos computadores a habilidade para aprender sen ser explicitamente programados para iso. Desde hai anos, utilízase en innumerables aplicacións (desde detección de tumores en escáneres cerebrais ata bots de videoxogos) con resultados cada vez máis satisfactorios. No mundo académico, ten un amplo alcance estando presente en múltiples investigacións e artigos científicos de diferentes campos de estudo. Para a docencia universitaria, é importante aprender a identificar o ML e diferencialo doutros conceptos relacionados. Así mesmo, coñecer as súas características, posibilidades e aplicacións resulta de gran utilidade e permitirá identificar aqueles escenarios docentes nos que a súa inserción pode representar unha mellora. |
||||
| Información de contacto: | |||||
| · Teléfono | 986812035 | ||||
| · Fax | |||||
| · Enderezo electrónico | |||||
| Compartir: |
|
||||
Descrición
Este curso insírese dentro do Programa de Formación Permanente do Profesorado da Universidade de Vigo para o ano 2021.
Entidades organizadoras
Área de Formación e Innovación Educativa (Escola Aberta de Formación Permanente).
Información sobre o calendario (datas)
| Período de matrícula | 29/10/2021 12:00 - 15/11/2021 23:59 |
|---|---|
| Período de docencia | 22/11/2021 - 26/11/2021 |
Prazas e créditos
| Número mínimo de participantes | 10 |
|---|---|
| Número máximo de participantes | 30 |
Destinatarios/as
Esta actividade está destinada ao profesorado da Universidade de Vigo. Terá prefencia o profesorado que estea no POD deste ano académico.
Se quedan prazas dispoñibles poderán participar outros perfís da Universidade de Vigo, baixo o criterio da Área de Formación e Innovación Educativa.
Obxectivos
- Aprender a identificar o Machine Learning e diferencialo dos principais conceptos relacionados.
- Recoñecer os diferentes tipos de Machine Learning.
- Identificar os coñecementos, habilidades, destrezas e recursos necesarios para poñer en práctica un proxecto de Machine Learning.
- Coñecer a historia do Machine Learning así como as súas posibilidades de aplicación actuais.
- Analizar as melloras que se poden inserir na docencia.
Condicións de acceso
Orientado a profesorado de calquera área de coñecenento.
Criterios de selección
Por orde de preinscrición.
Calendario
O curso desenvolverase en modalidade presencial virtual a través do campus remoto os días 22 e 24 de novembro de 10 a 13 horas e o día 26 de novembro de 10 a 12 horas. Tamén disporá dun espazo en Moovi.
Programa
- Introdución ao curso.
- Presentación xeral e obxectivos.
- Definición de Machine Learning e de conceptos teóricos relacionados.
- Historia e aplicacións do Machine Learning.
- Tipos de Machine Learning e características.
- Principais retos do Machine Learning.
- Ética na Intelixencia Artificial.
- Fases dun proxecto de Machine Learning.
- Aplicacións docentes do Machine Learning.
Impartido en
Campus remoto e Moovi.
Profesorado
Mateo Ramos Merino
É enxeñeiro de Tecnoloxías da Información e as Comunicacións pola Universidade de Vigo. Realiza o seu doutoramento sobre novos métodos de Process Mining aplicados a ambientes sanitarios con necesidades de monitoraxe específicas.
É autor de 20 publicacións científicas do ámbito tecnolóxico en revistas internacionais de alto impacto (JCR) e en congresos e participa en diferentes proxectos de investigación orientados á aplicación de tecnoloxías no ámbito sanitario.
Traballou coma investigador en AtlanTTic e é socio-fundador da empresa DataSalus, centrada en ofrecer servizos personalizados de analítica de datos para o ámbito sanitario.
Sistema de avaliación
- Asistencia ao 80 % do curso.
- Realización de exercicios e cuestionarios complementarios en cada sesión.
- Superación do cuestionario-test final de avaliación.
