Titulació | Tipus | Curs | Semestre |
---|---|---|---|
2502441 Enginyeria Informàtica | OB | 3 | 1 |
2502441 Enginyeria Informàtica | OT | 4 | 1 |
Es recomana que per cursar aquesta assignatura s’hagin assolit les competències mínimes en les assignatures de Àlgebra, Càlcul, Matemàtica Discreta, Fonaments d’Informàtica i Metodologia de la Programació (primer curs), així com Intel·ligència Artificial, Estadística i Laboratori de Programació (segon curs).
L’assignatura d’Aprenentatge Computacional, s’emmarca dins de la menció de “Computació”, juntament amb assignatures com “Coneixement, Raonament i Incertesa”, “Visió per Computador” i “Robòtica, Llenguatge i Planificació ”. Per la seva temàtica, però, aquesta assignatura no només és pels alumnes que cursen la menció de "Computació", sino per a alumnes de qualsevol menció ja que està estretament relacionada amb l’assignatura d’"Intel·ligència Artificial" de segon curs. De totes formes, és molt recomanable haver cursat i sentir-se còmode amb els conceptes vistos en les assignatures de "Càlcul", "Àlgebra" i "Matemàtica discreta" de primer curs, i d'"Estadística" de segon curs, degut al fort contingut matemàtic d'aquesta assignatura.
L'assignatura preten tant ampliar alguns dels temes desenvolupats durant "Intel·ligència Artificial", com introduir nous problemes associats a la intel·ligència artificial, principalment l'aprenentatge de conceptes i tendències a partir de dades. Es tracta de formar a l'alumne per ser un "enginyer de dades", i és una de les professions amb més futur i més demandades en l'actualitat per empreses com Facebook, Google, Microsoft i Amazon. De fet, es preveu que el creixement de la demanda d'aquest professionals en enginyeria de dades sigui exponencial a nivell europeu, sobretot degut al creixement en la generació de dades massives. Aixi, el principal objectiu de l'assignatura és que l'alumne sàpiga trobar una bona solució (a vegades la millor és impossible) a problemes en contextes diferents dels tractats, a partir d'identificar les necessitats de representació del coneixement i, segons sigui aquest, aplicar la/les tècnica/ques més adecuada/es per generar automàticament bons models matemàtics que expliquin les dades ambun error acceptable.
Els continguts escollits per aquesta assignatura també es donen a les Universitats de Stanford, Toronto, Imperial College London, MIT, Carnegie Mellon i Berkeley, per posar els noms més representatius. Per tant, per una banda s'ofereix a l'alumne una oportunitat d'assolir uns coneixements i habilitats comparables als impartits en les millors universitats. Per altra banda, l'alumne ha de ser conscient que aquest coneixement que és punta de llança de l'estat de l'art te una dificultat inherent, implicant un estudi i una dedicació considerables, quantificada en hores en la secció d'Activitats formatives d'aquesta guia. Això és perquè en aquesta assignatura no només s'ensenyen els continguts més importants per esdevenir enginyer de dades, sino a més es treballa una línia de currículum que permeti ampliar el ventall de llocs de treball als que podreu accedir després de la carrera, així com posar les bases metodològiques necessàries per fer un Màster en enginyeria de dades o en intel.ligència artificial.
Si es vol cursar una assignatura (i) per aprendre seriosament i no només per aprovar a la lleugera, (ii) per obrir un mercat laboral també a nivell internacional, i (iii) per descobrir els propis límits de programnació aprenent els algorismes d'aprenentatge computacional més utilitzats no només per les grans empreses tecnològiques mencionades, sino també en moltes spin-offs d'enginyeria de dades en el nostre país, aquesta assignatura no defrauda si es posa actitud i aptitud.
Els objectius de l’assignatura es poden resumir en:
Coneixements:
- Descriure les tècniques bàsiques d’aprenentatge computacional.
- Enumerar els passos essencials dels diferents algorismes d’aprenentatge
- Identificar els avantatges i inconvenients dels algorismes d’aprenentatge que s’expliquen.
- Resoldre problemes computacionals aplicant diferents tècniques d’aprenentatge per trobar la solució òptima.
- Entendre el resultat i les limitacions de les tècniques d’aprenentatge en diferents casos d’estudi.
- Saber escollir l’algorisme d’aprenentatge més adequat per solucionar problemes contextualitzats.
Habilitats:
- Reconèixer les situacions en les quals l’aplicació d’algorismes d’aprenentatge computacional pot ser adient per solucionar un problema
- Analitzar el problema a resoldre i dissenyar la solucióòptima aplicant les tècniques apreses
- Redactar documents tècnics relacionats amb l’anàlisi i la solució d’un problema
- Programar els algorismes bàsics per solucionar els problemes proposats
- Avaluar els resultats de la solució implementada i valorar les possibles millores
- Defensar i argumentar les decisions preses en la solució dels problemes proposats
TEMA 1: INTRODUCCIÓ
1.1 Conceptes bàsics
1.2 Història de l'aprenentatge computacional
TEMA 2: REGRESSIÓ DE DADES
2.1 Regressió lineal i descens del gradient
2.2 Regularització i regressió polinomial
TEMA 3: CLASSIFICACIÓ DE DADES
3.1 Regressió logística
3.2 Màquines de vectors de suport
TEMA 4: REGRESSIÓ I CLASSIFICACIÓ BIOINSPIRADA
4.1 Multilayer Perceptron
4.2 Backpropagation
TEMA 5: AGRUPACIÓ DE DADES
5.1 Memorització de dades: aprenentatge mandrós
5.2 Clustering de dades: k-means i Expectation-Maximization
Tota la informació de l'assignatura i els documents relacionats que els estudiants necessitin es trobaran a la pàgina de Caronte (https://caronte.uab.cat/course/index.php?categoryid=2), al menú de l'assignatura Aprenentatge Computacional (102787). Servirà per poder veure els materials, gestionar els grups de pràctiques, fer els lliuraments corresponents, veure les notes, comunicar-vos amb els professors, etc. Per poder-lo utilitzar cal fer els següents passos:
En el desenvolupament de l'assignatura es podran diferenciar el següents tipus d’activitats docents:
MD0 Exposició de continguts de teoria: Presentació dels continguts teòrics a treballar en l'assignatura. Aquests continguts s'hauran d'haver preparat abans de la classe a partir de la lectura de texts, cerca d'informació, etc. Els continguts presentats estaran directament relacionats amb els problemes, projectes i seminaris proposats en altres activitats docents, de forma que seran la base sobre la que es desenvoluparan altres activitats del curs. Els continguts es trobaran en la pàgina de Caronte (presentacions i videos) i constaran de dues parts: una presentació on s'exposen els principals conceptes teòrics i matemàtics relacionats amb tasques concretes d'aprenentatge computacional (aquest temari serà la base de l'examen teòric de l'assignatura, veure apartat avaluació d'aquesta guia docent), i una segona part de codi en python sobre Jupyter notebooks que exemplifiquen els detalls de codificació i de llibreries per implementar en un cas pràctic els principals conceptes vistos a l'hora anterior. L'alumnat doncs podrà veure els vídeos de les classes, descarregar les presentacions i els notebooks de python i provar tots els codis al seu ordinador, per a fer les proves que facin falta i poder jugar amb els diversos paràmetres per acabar d'entendre les raons dels diferents rendiments i precisions que s'assoleixen en una base de dades específica amb configuracions concretes dels algorismes explicats a l'assignatura. A més, s'organitzaran una sèrie de 3 seminaris d'empresa al llarg del curs, per posar en contacte els estudiants amb empreses que fan servir els algorismes descrits a classe.
MD1 Resolució de problemes numèrics: Resolució d'un conjunt de 3 problemes proposats als estudiants. Tots els temes de teoria aniran acompanyats d'una relació de problemes que l'estudiant haurà de resoldre i entregar. Aquestes activitats han de permetre a l’estudiant aprofundir en la comprensió i personalitzar el coneixement teòric en un cas numèric concret. Es plantejaran doncs uns exemples de dades que requereixin el disseny d'una solució en la que es facin servir els mètodes vistos a les classes de teoria. És impossible seguir les classes de problemes si no es segueixen els continguts de les classes de teoria. El resultat d'aquestes sessions és assolir les competències necessàries per a la resolució de problemes que s'hauran d'entregar segons el mecanisme específic per a l'entrega que s'indicarà en la pàgina web de l'assignatura (espai Caronte).
MD2 Implementació de projectes curts: Realització de 2 pràctiques per aprofundir en aspectes aplicats de la teoria. La part pràctica de l'assignatura quedarà completadaamb sessions pràctiques, on les i els estudiants hauran de resoldre problemes concrets d’una certa complexitat implementats en python. Aquests projectes es resoldran en petits grups de 2-3 persones,i on cada membre del grup haurà de fer una part i posar-la en comú amb la resta per tenir la solució final. Aquests grups de treball s’hauran de mantenir fins el final del curs i s’hauran d’autogestionar: repartiment de rols, planificació del treball, assignació de tasques, gestió dels recursos disponibles, conflictes, etc. Tot i que el professor guiarà el procés d’aprenentatge, la seva intervenció en la gestió dels grups serà mínima. Per desenvolupar el projecte, els grups treballaran de forma autònoma i les sessions de pràctiques s’han de dedicar principalment pel professor a fer el seguiment de l’estat del projecte, indicar errors a corregir, proposar millores, etc. Els dubtes que puguin sorgir per a la realització de les pràctiques es transmetran a través del fòrum de Caronte, on els altres alumnes podran contestar-los.
MD3 Explicació didàctica d'un cas pràctic: cada estudiant realitzarà un jupyter notebook on s'explicaran els diversos passos realitzats per a la resolució d'un problema d'Aprenentatge Computacional. Els projects seran aplicats a bases de dades escollides de la plataforma Kaggle (https://www.kaggle.com/search?q=machine+learning), i constaran de tres parts: una explicació dels atributs més importants de la base de dades i de l'atribut a predir/classificar; breu descripció del mètode d'aprenentatge computacional aplicat, juntament amb els paràmetres escollits; i una presentaciió dels resultats que s'han obtingut. Exemples de jupyter notebooks es poden trobar en el següent repositori:
MD4 Consultes i dubtes: Hores de lliure disposició per l’estudiant per a consultes i tutories sobre aspectes en què necessiti ajuda addicional per part del professorat. Totes les consultes es faran via online, mitjançant el fòrum de l'assignatura, o correus als professors, per exemple. Es valorarà que els estudiants contestin els dubtes dels seus companys així com que en aquests respostes aportin informació que ajudi en la comprensió del contingut de les activitats docents.
MD5 Activitats d’avaluació: per a cada una de les activitats descrites anteriorment. Veure apartat d'avaluació d'aquesta guia docent.
En el cas dels repetidors, si es demana al professor responsable, se'ls convalidaran les notes de les activitats docents que hagin aprovat el curs anterior, en el cas que hagin superat el llindar mínim.
Competències Transversals
-T01 Hàbits de pensament (T01.02 Desenvolupar lacapacitat d'anàlisi, síntesii prospectiva): en les activitats autònomes i supervisades (estudi de la teoria MD0, realització de les pràctiques MD2, realització dels problemes MD1, i descripció d'un cas pràctic MD3)
- T03 Treball en equip (T03.02 Assumir i respectar el rol dels diversos membres de l'equip, així com els diferents nivells de dependència del mateix; T03.03 Identificar, gestionar i resoldre conflictes): en les pràctiques MD2, com a activitat autònoma en la seva preparació i entrega, i com a activitat supervisada en la seva preparació i presentació.
- T06 Actitud personal (T06.03 Generar propostes innovadores i competitives en l'activitatprofessional): enles activitats autònomes (estudi de la teoria MD0, participacióen el fòrum de l'assignatura en Caronte), dirigides (resolució de projectes pràctics MD2) i supervisades (anàlisi d'un cas pràctic MD3).
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.
Títol | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|
Tipus: Dirigides | |||
MD0: Continguts teòrics i seminaris | 22 | 0,88 | 2, 3, 5, 6, 8 |
MD1: Resolució de Problemes | 8 | 0,32 | 2, 4, 5, 8 |
MD2: Programació de projectes | 16 | 0,64 | 1, 2, 3, 4, 5, 7, 8 |
Tipus: Supervisades | |||
MD3: Resolució de projectes pràctics | 16 | 0,64 | 1, 2, 3, 4, 5, 6, 7, 8 |
Tipus: Autònomes | |||
MD0: Estudi individual | 10 | 0,4 | 2, 3, 4, 5, 6, 8 |
MD1: Resolució de problemes (individual) | 18 | 0,72 | 2, 3, 4, 5, 6, 8 |
MD2: Preparació, programació, documentació i presentació dels projectes de pràctiques | 22 | 0,88 | 1, 2, 3, 4, 5, 7, 8 |
MD3: Descripció en python d'un cas pràctic d'aprenentatge computacional en jupyter notebook | 18 | 0,72 | 2, 4, 5, 8 |
Activitats i instruments d’avaluació:
a) Procés i activitats d’avaluació programades
L’assignatura consta de les activitats d’avaluació següents, que són totes opcionals (l'alumne escull les activitats, però cal arribar a un 5.0 de nota final per aprovar l'assignatura):
- MD0 (30%): Exàmens teòrics, on per cada examen l'alumne presencialment haurà de contestar individualment i per escrit 5 preguntes (per desenvolupar en una plana màxim) sobre conceptes d'aprenentatge computacional vistos en les classes de teoria. Representa el 20% sobre la qualificació final, és individual i recuperable (hi hauran dos parcials i les seves respectives recuperacions sense penalitzacions). A més, l'assistència a tots els seminaris comptarà un 10% addicional de la nota final.
- MD1 (20%): Lliurament d'informe amb problemes resolts, on cada alumne individualment farà entrega d'un informe escrit de fins a 3 problemes resolts vistos a classes de problemes (regressió, backpropagation, memorització, i clustering). Representa el 20% sobre la qualificació final, és individual i recuperable (entrega durant el curs o alternativament el dia del segon parcial de l'assignatura sense penalització).
- MD2 (25%): Resolució de pràctiques amb entrega d'informe explicant la resolució i els resultats de cada pràctica, on cada grup composat per dues-tres persones entregaran el codi python per a cada un dels dos projectes (regressió i classificació) aplicades a 2 bases de dades diferents, així com un informe de fins a 20 pàgines on descriuran cada base de dades, l'estratègia que han fet servir per analitzar les seves dades, així com les proves amb diferents valors dels paràmetres que han provat i els resultats que han obtingut amb la millor configuració posssible. Es farà una presentació de cada projecte. Representa el 25%(codi + informe) sobre la qualificació final, és grupal i no és recuperable.
- MD3 (25%): Elaboració d'un jupyter notebook amb la descripció en codi python d'un cas concret d'aprenentatge computacional (ja sigui regressió, classificació, clustering o memorització, escollit d'aquí: https://www.kaggle.com/search?q=machine+learning), i el notebook descriurà amb codi les dades, els models utilitzats (amb els paràmetres que funcionen millor per a les dades), i els resultats del problema escollit. Exemples de jupyter notebooks aplicats a casos concrets es poden trobar aquí https://datauab.github.io/. Representa un 25% de la qualificació final, és individual i no és recuperable.
A continuació és descriu com poder aprovar l'assignatura amb avaluació continuada:
− MD0: Exàmens teòrics individuals
La nota final de teoria (20% de la nota final) es calcularà a partir de dos exàmens parcials:
Nota Teoria = (0.6 * Parcial1) + (0.4 * Parcial2)
Parcial1 es fa a meitat de semestre i serveix per eliminar part de la matèria si és aprovada. Parcial2 es fa al final del semestre lectiu i serveix per eliminar la part del temari que ve després de Parcial1.
Aquests exàmens pretenen una avaluació individualitzada de l'estudiant amb les seves capacitats de contestar a 5 preguntes llargues (desenvolupar fins a ocupar una plana de foli màxim) sobreles tècniques explicades a classe, així com avaluar el nivell de conceptualització que l'estudiant n'ha fet de les tècniques vistes.
Per aprovar la part de teoria de l'assignatura fent exàmens presencials, caldrà complir dos requisits:
Examen de recuperació (finals de gener o principis de febrer). En aquest examen es pot recuperar el(s) parcial(s) que no hagi(n) superat el 4.0, o recuperartot el temari en el cas que la nota final de teoria no superi el 4.0.
A més, l'assistència als seminaris que es celebrin durant el curs, comptaran fins a un 10% de la nota final.
− MD1: Lliurament individual d'un informe amb problemes resolts
Els problemes tenen com objectiu provocar que l'estudiant entri amb els continguts de l'assignatura de manera continuada i, a partir de petits problemes, que es familiaritzi directament en l'aplicació de la teoria. Com a evidència d'aquest treball es demana la presentació obligatòria d'un portfoli en el que haurà anat guardant els problemes que haurà anat realitzant (competència T06).
Nota Problemes = Avaluació del portfoli amb 3 problemes resolts (segons el calendari indicat a Caronte).
Cal entregar un mínim de 2 problemes per a aprovar aquesta part. Hi haurà recuperació dels problemes (entrega el dia del segon parcial, sense penalització).
− MD2: Resolució de pràctiques en grup
L’avaluació de cada un dels 2 projectes de pràctiques inclourà:
− Avaluació conjunta de cada projecte (competència T03): nota única per tots els membres del grup de treball que valorarà el resultat global del projecte, la qualitat del codi, l’estructura general de la presentació final i els documents lliurats al llarg del projecte.
− Avaluació individual (competència T01): es valorarà el treball individual a partir de les respostes a les preguntes en les sessions de control online, de la presentació final del projecte online i principalment de la participació activa en els fòrums de Caronte. En els casos requerits per qualsevol grup (en casos d'incidències entre companys), s'avaluarà un breu formulari confidencial qualificant la contribució de cada company degrup al resultat final.
La nota del projecte es calcularà segons la fórmula:
Nota Pràctiques = (0.5 * Nota Projecte 1 Regressió) + (0.5 * Nota Projecte 2 Classificació)
Nota Projectes 1 i 2 = (0.9 * Nota Grup) + (0.1 * Nota Individual)
Nota Grup = (0.3 * Programa) + (0.1 * Presentació) + (0.6 * Documentació)
No hi ha recuperació de les pràctiques: en cas de no presentar una entrega o considerar-la copiada, si la Nota Projecte final no supera el 5.0, no contribuirà a la nota final de l'assignatura.
En casos molt justificats (p.ex. per qüestions laborals, familiars o de salut, ...), en comptes de realitzar aquests 2 projectes, l'alumne podrà realitzar l'anomenat l'itinerari Cousera: previ vist-i-plau del professor, l'alumne que ho demani i ho justifiqui podrà entregar les pràctiques que es demanen en el curs onlined'aprenentatge computacional de la plataforma educativa Coursera (https://es.coursera.org/learn/machine-learning). En aquest cas, la màxima nota de pràctiques que l'alumne podrà assolir és de 7.0 en comptes de 10 (degut a que no hi ha informe ni presentació, només s'entrega codi en aquest itinerari).
− MD3: Realització d'un jupyter notebook en python descrivintun cas concret d'aprenentatge computacional
L'avaluació es basarà en el codi python i l'explicació del codi que es trobarà en el jupyter notebook que s'entregarà com a molt tard el dia del segon parcial de l'assignatura. La nota del notebook es calcularà segons la fòrmula:
Nota Notebook = (0.1 * Introducció a la base de dades) + (0.25 * Anàlisi dels atributs, correlacions,...) + (0.25 * Descipció del mètode utilitzat, com trobar els millors paràmetres, comparativa de mètodes...) + (0.3 * Descipció dels resultats, matrius de confusió, gràfiques dels models i les dades, exemples de falsos positius/negatius, corbes ROC, ...) + (0.1 * Presentació del Github)
Exemples de jupyter notebooks aplicats a casos concrets es poden trobar aquí https://datauab.github.io/.
No hi ha recuperació del Cas Kaggle: en cas de no presentar o considerar-la copiada, si la Nota Cas Kaggle final no supera el 5.0, no contribuirà a la nota final de l'assignatura.
− Avaluació de competències transversals
Els exàmens parcials permetran avaluar la vostra adquisició d'hàbits de pensament i de treball personal (T01 Hàbits de pensament, Nota Teoria). Amb Nota Projecte de pràctiques, també s'avaluarà el treball en equip (T03 Treball en equip, Nota Grup)i la presentació individual (T01 Hàbits de pensament, Nota Individual). Amb la realització dels problemes i la realització d'un cas Kaggle, s'avaluarà l'adquisició d'hàbits per solucionar una tasca predeterminadaamb uns valors de dades totalment diferents als vistos a classe (T06 Actitud personal, Nota Problemes i Cas Kaggle).
La nota final de l’assignatura s’obté combinant l’avaluació d’aquestes 4 activitats de la manera següent:
Nota Final = (0.20 * Teoria) + (0.10 * Assistència Seminaris) + (0.25 * Pràctiques) + (0.20 * Problemes) + (0.25 * Cas Kaggle)
Condicions per aprovar:
Per aprovar és necessari que l'avaluació de cada activitats superi el mínim exigit (4.0 l'examen de teoria, i 5.0 els problemes, les pràctiques i el cas kaggle) i que l'avaluació total superi els 5 punts. En cas de no superar l'assignatura, la nota numèrica de l'expedient serà la mitjana ponderada de les notes que han superar la nota mínima en les seves respecives parts:
En el cas de no arribar al mínim exigit en alguna de les activitats, no es tindrà en compte per fer el càlcul de la nota final de l’assignatura.
Per tant, la nota final es calcularà a partir d'aquelles avaluacions continuades a les que s'hagi presentat i que hagi superat.
b) Programació d’activitats d’avaluació
Les dates d'avaluació continuada i lliurament de treballs espublicaran al Caronte (http://caronte.uab.cat/), a l'espai d'aquesta assignatura i poden estar subjectes a canvis de programació per motius d'adaptació a possibles incidències; sempre s'informarà a caronte.uab.cat sobre aquests canvis ja que aquesta plataforma esdevindrà el mecanisme habitual d'intercanvi d'informació entre professor i estudiants.
Es preveu la següent calendarització (la setmana 1 es correspon a la setmana del 12 de setembre del 2022:
c) Procés de recuperació
L’estudiant es pot presentar a la recuperació de la part de teoria i problemes sense cap restricció.
Cal tenir present que l'avaluació de Pràctiques i Cas Kaggle no és recuperable.
d) Procediment de revisió de les qualificacions
Per a cada examen teòric individual, s’indicarà un lloc, data i hora de revisió en la que l'estudiant podrà revisar l’activitat amb el professor. En aquest context, es podran fer reclamacions sobre la nota de l’activitat, que seran avaluades pel professorat responsable de l’assignatura. Si l'estudiant no es presenta a aquesta revisió, no es revisarà posteriorment aquesta activitat.
e) Qualificacions
Matrícules d'Honor: Es concediran Matrícules d'Honor a decisió del professoratresponsable de l’assignatura,finsarribar al cinc per cent o fracció dels alumnes matriculats en tots els grups de docència de l'assignatura. La normativa de la UAB indica que les MH només es podran atorgar a estudiants que hagin obtingut una qualificació final igual o superior a 9.00.
No avaluable: Un estudiant es considerarà no avaluable (NA) si no s'ha presentat a cap dels exàmens parcials ni a cap de les 2 avaluacions de les pràctiques.
f) Irregularitats perpart de l’estudiant, còpia i plagi
Sense perjudici d'altres mesures disciplinàries que s'estimin oportunes, es qualificaran amb un zero les irregularitats comeses per l'estudiant que puguin conduir a una variació de la qualificació d'un acte d’avaluació. Per tant, la còpia, el plagi, l’engany, deixar copiar, etc. en qualsevol de les activitats d’avaluació implicarà suspendre-la amb un zero. Les activitats d’avaluació qualificades d'aquesta forma i per aquest procediment no seran recuperables. Si és necessari superar qualsevol d'aquestes activitats d'avaluació per aprovarl'assignatura,aquesta assignatura quedarà suspesa directament, sense oportunitat de recuperarla en el mateix curs. Aquestes irregularitats inclouen, entre d'altres:
La nota numèricade l'expedient serà el valor menor entre 3.0 i la mitjana ponderada de les notes en cas que l'estudiant hagi comès irregularitats en un acte d'avaluació (i per tantno serà possible l'aprovat per compensació). En edicions futures d'aquesta assignatura, a l'estudiant que hagi comès irregularitats en un acte d'avaluació no se li convalidarà cap de les activitats d'avaluació realitzades.
En resum: copiar, deixar copiar o plagiar (o l'intentde) en qualsevol de les activitats d'avaluació equival a un SUSPENS, no compensable ni recuperable i sense convalidacions de parts de l’assignatura en cursos posteriors.
g) Avaluació dels estudiants repetidors
A partir de la segona matrícula, l’avaluació de l’assignatura consistirà en afegir les notes corresponents a les avaluacions obtingudes la primera vegada que l’estudiant s’ha matriculat de l’assignatura, sempre que les notes de teoria sigui superior a 4.0 i les de problemes/pràctiques/cas kaggle a 5.0. Es podrà doncs presentar de les activitats d'avaluació que siguin necessaries per arribar a un 5.0 de nota final.
Per poder optar a aquesta avaluació diferenciada, l’estudiant repetidor hoha de demanar al professor com a molttard fins la setmana8, el dia de l'examen del primer parcial de l'assignatura.
Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|---|
Documentació escrita, presentació, seguiment projectes de pràctiques | 30% | 6 | 0,24 | 1, 2, 3, 4, 5, 7, 8 |
Implementació projectes de pràctiques | 10% | 2 | 0,08 | 1, 2, 3, 4, 5, 7, 8 |
Jupyter notebook en python d'un cas pràctic d'aprenentatge computacional | 20% | 4 | 0,16 | 2, 4, 5, 8 |
Lliurament de problemes | 20% | 4 | 0,16 | 2, 3, 4, 5, 6, 8 |
Proves teòriques individuals | 20% | 4 | 0,16 | 2, 3, 4, 5, 6, 8 |
Enllaços web
- Caronte: http://caronte.uab.cat
- Artificial Intelligence: A Modern Approach. http://aima.cs.berkeley.edu/
- Web del Catàleg de les Biblioteques de la UAB: https://bit.ly/3xdcdFB
Bibliografia bàsica
- S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach. Ed. Prentice Hall, Second Edition, 2003. (Existeix traducció al castellà: Inteligencia artificial: Un Enfoque Moderno)
Bibliografia complementària
- L. Igual, S. Seguí. Introduction to Data Science. Ed. Springer, 2017
- Bishop, Pattern Recognition and Machine Learning, 2007.
- Duda, Hart, and Stork, Pattern Classification, 2nd Ed., 2002.
- Marlsand, Machine Learning: an Algorithmic Perspective, 2009
- Mitchell, Machine Learning, 1997
- Ripley, Pattern Recognition and Neural Networks, 1996.
Bibliografia relacionada
- Eberhart, Shi, Computational Intelligence: Concepts to Implementations, 2007
- Friedman, Tibshirani, The Elements of Statistical Learning, 2009.
- Gilder, Kurzweil, Richards, Are we spiritual machines? Ray Kurzweil vs. the Critics of Strong AI, 2011
- Kurzweil, The Singularity is Near: When Humans trascend Biology, 2006
- Rosen, Life Itself: A Comprehensive Inquiry into the Nature, Origin, and Fabrication of Life (Complexity in Ecological Systems), 2005
- Witten,Frank, Hall, Data Mining: Practical Machine Learning Tools and Techniques, 2011
El programari necessari serà el llenguatge de programació Python, un entorn de programació (com Spyder, Pycharm o Visual Studio Code), l'aplicació web Jupyter Notebook, i les llibreries necessaries per a anàlisi de dades: scipy (conté numpy, matplotlib, pandas), sklearn i seaborn.