Titulació | Tipus | Curs | Semestre |
---|---|---|---|
2500149 Matemàtiques | OT | 4 | 1 |
Degut a un error en el traspàs de dades es corregeix la següent informació:
El responsable de l’assignatura és el professor Juan Ramon Gonzalez Ruiz (juanramon.gonzalez@uab.cat).
Activitats formatives
Títol |
Hores |
ECTS |
Resultats d'aprenentatge |
Tipus: Dirigides |
|
|
|
Sessions de pràctiques |
50 |
2 |
1, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 15, 16, 19 |
Tipus: Supervisades |
|
|
|
Sessions de teoria |
50 |
2 |
1, 2, 4, 5, 6, 7, 8, 9, 12, 13 |
Tipus: Autònomes |
|
|
|
Treball setmanal + autoevaluació |
50 |
2 |
1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19 |
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
Avaluació única:
Es durà a terme un examen (4 hores) que permetrà avaluar de manera integral els coneixements i habilitats adquirides durant el curs. Aquest examen estarà dissenyat per avaluar la capacitat de l'alumne per aplicar els anàlisis estadístics apresos i la seva comprensió dels conceptes teòrics.
L'examen constarà de dues parts principals: anàlisi estadístic i preguntes teòriques. A la secció d'anàlisi estadístic, es proporcionaran dades rellevants que requeriran de l'alumne l'aplicació de les tècniques i eines estadístiques apreses durant el curs. S'espera que l'alumne realitzi els següents passos:
La segona part de l'examen consistirà en preguntes teòriques que requeriran respostes escrites. Aquestes preguntes estaran relacionades amb els conceptes fonamentals de l'estadística, la seva aplicabilitat en diferents situacions i la seva importància en la presa de decisions. L'alumne haurà de demostrar la seva comprensió dels conceptes i la seva capacitat per explicar-los de manera clara i coherent.
L'avaluació d'aquest examen es realitzarà tenint en compte diversos criteris:
Activitats d'avaluació continuada
Títol |
Pes |
Hores |
ECTS |
Resultats d'aprenentatge |
Autoevaluació |
10% |
0 |
0 |
1, 3, 5, 8, 9, 13, 15, 19 |
Examen final |
50% |
0 |
0 |
2, 4, 6, 7, 8, 9, 13, 15, 18 |
Pràctiques + autoevaluació |
40% |
0 |
0 |
1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 |
Podeu accedir-hi des d'aquest enllaç. Per consultar l'idioma us caldrà introduir el CODI de l'assignatura. Tingueu en compte que la informació és provisional fins a 30 de novembre de 2023.
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.
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.
Aquests són els continguts de l'assignatura*
*Llevat que les restriccions imposades per les autoritats sanitàries obliguin a una priorització o reducció d’aquests continguts.
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.
Títol | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|
Tipus: Dirigides | |||
Clases de Problemes | 14 | 0,56 | 1, 4, 5, 6, 7, 14, 2, 13, 12, 10, 11, 9, 8, 3 |
Clases de Teoria | 26 | 1,04 | 1, 4, 5, 6, 7, 14, 2, 13, 12, 10, 11, 9, 8, 3 |
Tipus: Supervisades | |||
Clases de pràctiques | 12 | 0,48 | 1, 4, 5, 6, 7, 14, 2, 13, 12, 10, 11, 9, 8, 3 |
Tipus: Autònomes | |||
Estudi i treball dels problemes i les pràctiques | 90,5 | 3,62 | 1, 4, 5, 6, 7, 14, 2, 13, 12, 10, 11, 9, 8, 3 |
Es fan dos exàmens parcials, EP1 i EP2, ambdos amb un examen de segona oportunitat o recuperació, EF1 i EF2. Per tal d'aprovar l'assignatura, és necessari que la nota de curs NC (mitjana ponderada dels dos exàmens parcials) sigui més gran o igual que 4, essent min(EP1,EP2)>=3.
Endemés, també és necessari que la nota de l'examen de pràctiques sigui més gran o igual que 3.5 . Aleshores la nota final NF es calcula fent NF = 0.2*P + 0.8*NC, on P és la nota de pràctiques.
A l'examen de recuperació es recupera la nota de curs NC. La nota de pràctiques no es recupera, però es té en compte per a calcular la nota final. En cas d'haver de fer la recuperació, la nota final es calcula de la forma següent.
Diem R la nota de recuperació, calculada amb la següent fórmula R = 0.5*[max(EP1,EF1)+max(EP2,EF2)]. Aleshores la nota de curs definitiva NCD es calcula com NCD = 0.3*NC + 0.7*R.
Observeu que NCD depèn de la recuperació i també de la nota de curs NC. En aquest cas la nota final serà NF = 0.2*P + 0.8*NCD si es cumpleix la condició min(max(EP1,EF1),max(EP2,EF2))>=3. En cas contrari la nota final serà min(NF, 4.5).
Avaluació única
Es fa un examen final, EFU, que té un examen de segona oportunitat o de recuperació, ERU, en cas que sigui necessari. L'examen final EFU té 2 parts, EFU1 i EFU2, que es realitzen en un sol dia, un el matí i l'altre a la tarda. De la mateixa manera, l'examen de recuperació ERU té 2 parts, ERU1 i ERU2, que es realitzen en un sol dia, un el matí i l'altre a la tarda.
El contingut de la primera part (dels dos exàmens, EFU i ERU) coincideix amb el de l'examen EP1 de l'avaluació continuada. El contingut de la segona part (dels dos exàmens, EFU i ERU) coincideix amb el de l'examen EP2 de l'avaluació continuada.
Per tal d'aprovar l'assignatura en aquesta modalitat, és necessari que la nota final NFU (mitjana ponderada de les dues parts, EFU1 i EFU2) sigui més gran o igual que 5, essent min(EFU1,EFU2)>=3.5 . En cas contrari cal fer l'examen de recuperació, i aleshores la nota final, NFUR, es calcula de la forma següent:
NFUR = 0.3*NFU + 0.35*[max(EFU1,ERU1)+max(EFU2,ERU2)] si es cumpleix la condició min[max(EFU1,ERU1),max(EFU2,ERU2)]>=3 , o bé min(NFUR, 4.5) si aquesta condició no es cumpleix.
Nota (vàlida per a les dues opcions d'avaluació): En cap cas les opcions de segona oportunitat (o de recuperació) no són per apujar les notes que siguin >= 5.
Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|---|
Examen Final | 50% | 3 | 0,12 | 1, 4, 5, 6, 7, 14, 2, 13, 12, 10, 11, 9, 8, 3 |
Examen parcial | 30% | 2 | 0,08 | 1, 4, 5, 6, 7, 14, 2, 13, 12, 10, 11, 9, 8, 3 |
Pràctiques | 20% | 2,5 | 0,1 | 1, 4, 5, 6, 7, 14, 2, 13, 12, 10, 11, 9, 8, 3 |
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
La teoria i les pràctiques es faran amb R