2021/2022
Investigació operativa
Codi: 100125
Crèdits: 6
Titulació |
Tipus |
Curs |
Semestre |
2500149 Matemàtiques |
OT |
4 |
0 |
La metodologia docent i l'avaluació proposades a la guia poden experimentar alguna modificació en funció de les restriccions a la presencialitat que imposin les autoritats sanitàries.
Utilització d'idiomes a l'assignatura
- Llengua vehicular majoritària:
- català (cat)
- Grup íntegre en anglès:
- No
- Grup íntegre en català:
- Sí
- Grup íntegre en espanyol:
- No
Prerequisits
Aquesta assignatura suposa que l'alumne ha assolit els coneixements que s'imparteixen en diferents assignatures sobre els següents temes:
- Càlcul en diverses variables.
- Probabilitat.
- Models lineals.
- Programació en R.
Objectius
Aquesta assignatura pretén familiaritzar l'alumne amb diferents mètodes d'aprenentatge automàtic aplicant el punt de vista utilitzat quan es disposa de grans quantitats de dades.
Competències
- Davant de situacions reals amb un nivell mig de complexitat, demanar i analitzar dades i informació rellevants, proposar i validar models utilitzant eines matemàtiques adequades per a, finalment, obtenir conclusions
- Demostrar de forma activa una elevada preocupació per la qualitat en el moment d'argumentar o exposar les conclusions dels seus treballs
- Que els estudiants hagin demostrat posseir i comprendre coneixements en un àrea d'estudi que parteix de la base de l'educació secundària general, i se sol trobar a un nivell que, si bé es recolza en llibres de text avançats, inclou també alguns aspectes que impliquen coneixements procedents de l'avantguarda del seu camp d'estudi.
- Que els estudiants hagin desenvolupat les habilitats d'aprenentatge necessàries per a emprendre estudis posteriors amb un alt grau d'autonomia.
- Que els estudiants sàpiguen aplicar els seus coneixements al seu treball o vocació d'una forma professional i posseeixin les competències que solen demostrar-se per mitjà de l'elaboració i defensa d'arguments i la resolució de problemes dins de la seva àrea d'estudi.
- Que els estudiants tinguin la capacitat de reunir i interpretar dades rellevants (normalment dins de la seva àrea d'estudi) per emetre judicis que incloguin una reflexió sobre temes rellevants d'índole social, científica o ètica.
- Reconèixer la presència de les Matemàtiques en altres disciplines
- Utilitzar aplicacions informàtiques d'anàlisi estadística, càlcul numèric i simbòlic, visualització gràfica, optimització o altres per experimentar en Matemàtiques i resoldre problemes
- Utilitzar eficaçment bibliografia i recursos electrònics per obtenir informació
Resultats d'aprenentatge
- Adquirir el domini i seguretat en el maneig de programari científic específic per a la resolució de problemes amb dades reals i per realitzar la simulació.
- Avaluar la dificultat de fer un càlcul de probabilitats analític en situacions complexes i saber distingir quan es poden realitzar aquests càlculs i quan s'ha de recórrer a la simulació estocàstica.
- Conèixer rudiments de logística i altres camps en els quals s'aplica la recerca operativa en l'àmbit tecnològic i industrial
- Demostrar de forma activa una elevada preocupació per la qualitat en el moment d'argumentar o exposar les conclusions dels seus treballs
- Distingir, d'un problema, la qual cosa és important de cara a la construcció del model matemàtic i la seva resolució del que no ho és.
- Dominar els conceptes bàsics de la teoria i ser capaç de combinar-los i utilitzar-los per resoldre problemes.
- Extreure conclusions adequades a partir del resultat del model.
- Que els estudiants hagin demostrat posseir i comprendre coneixements en un àrea d'estudi que parteix de la base de l'educació secundària general, i se sol trobar a un nivell que, si bé es recolza en llibres de text avançats, inclou també alguns aspectes que impliquen coneixements procedents de l'avantguarda del seu camp d'estudi.
- Que els estudiants hagin desenvolupat les habilitats d'aprenentatge necessàries per a emprendre estudis posteriors amb un alt grau d'autonomia.
- Que els estudiants sàpiguen aplicar els seus coneixements al seu treball o vocació d'una forma professional i posseeixin les competències que solen demostrar-se per mitjà de l'elaboració i defensa d'arguments i la resolució de problemes dins de la seva àrea d'estudi.
- Que els estudiants tinguin la capacitat de reunir i interpretar dades rellevants (normalment dins de la seva àrea d'estudi) per emetre judicis que incloguin una reflexió sobre temes rellevants d'índole social, científica o ètica.
- Saber generar i manipular models de simulació de la realitat per establir i comprovar hipòtesi en l'estudi de problemes o realitats més complexes.
- Trobar models de la realitat científica o tecnològica relativa a un problema de presa de decisions i expressar-la amb el llenguatge matemàtic dels problemes d'optimització amb programació dinàmica o amb cues estocàstiques.
- Utilitzar eficaçment bibliografia i recursos electrònics per obtenir informació.
Continguts
Aquests són els continguts de l'assignatura*
- Introducció a Tidyverse
- Introducció a l'aprenentatge automàtic
- Regressió lineal i logística
- Tractament de Big Data amb R
- La llibrería caret
- Mètodes d'aprenentatge automàtic
- K-veïns més propers
- Anàlisi discriminat
- Màquines de suport vectorial
- Métodes per tractar resposta no balancejades
- Arbres de decisió
- Arbres de clasificació
- Arbres de regresió
- Bagged trees
- Random Forest
- Boosting
- AdaBoost
- GBM clàssic
- GBM estocàstic
- XGBoost
- Altres
*Llevat que les restriccions imposades per les autoritats sanitàries obliguin a una priorització o reducció d’aquests continguts.
Metodologia
L'assignatura té programades, a la setmana, dues hores de teoria i dues hores de pràctiques.
- Classe de teoria: es defineixen i s'expliquen els diferents mètodes amb les seves característiques particulars i es mostren exemples concrets.
- Classe de pràctiques: es treballen els mètodes explicats a classe de teoria amb diversos conjunts de dades utilitzant el llenguatge de programació R.
Es considera que, per a cada hora de teoria i pràctiques, l'alumne haurà de dedicar una hora addicional a la preparació i/o finalització de la sessió. Adicionalment realitzará preguntes d'autoevaluació al Moodle per consolidar els coneixements adquirits a clase.
NOTA: La metodologia docent proposada pot experimentar alguna modificació en funció de les restriccions a la presencialitat que imposin les autoritats sanitàries
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, per a la complementació per part de l'alumnat de les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura/mòdul.
Avaluació
L'avaluació de l'assignatura es durà a terme amb un examen (final), treballs setmanals i preguntes d'autoevaluació. La nota final es calcularà amb la fórmula:
NF = 0,5 * NE + 0,4 * NT + 0,1 * NA
on NP és la nota promig dels treball semanals, NA es la nota promig de les preguntes d'autoevaluació i NE es la nota del examen que com a mínim ha de ser un 5 per aprovar l'assignatura.
A final de curs hi haurà una prova de recuperació per a aquells alumnes tals que NE és menor que 5 i/o NF menor que 5. En aquest cas, la nota final es calcularà amb la fórmula:
NF = 0,7 * NR + 0,3 * NP
on NR és la nota de l'examen de recuperació.
NOTA: L’avaluació proposada pot experimentar alguna modificació en funció de les restriccions a la presencialitat que imposin les autoritats sanitàries
Activitats d'avaluació
Títol |
Pes |
Hores |
ECTS |
Resultats d'aprenentatge |
Autoevaluació |
10% |
0
|
0 |
1, 4, 5, 6, 8, 9, 10, 11, 14
|
Examen final |
50% |
0
|
0 |
2, 3, 4, 6, 8, 9, 10, 11, 12, 13, 14
|
Pràctiques + autoevaluació |
40% |
0
|
0 |
1, 3, 4, 5, 6, 7, 8, 10, 11, 12, 13, 14
|
Bibliografia
Bibliografia bàsica:
- An Introduction to Statistical Learning with Applications in R - Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani
- Bookdown de l'assignatura: https://isglobal-brge.github.io/Aprendizaje_Automatico_1/
Bibliografia complementària:
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction - Trevor Hastie, Robert Tibshirani and Jerome Friedman
- Data Science from Scratch - Joel Grus
- Computer Age Statistical Inference: Algorithms, Evidence and Data Science - Trevor Hastie and Bradley Efron
Programari
La teoria i les pràctiques es faran amb R