Titulación | Tipo | Curso | Semestre |
---|---|---|---|
2500149 Matemáticas | OT | 4 | 1 |
Debido a un error en el traspaso de datos, se corrige la siguiente información:
El responsable de la asignatura es el profesor Juan Ramon Gonzalez Ruiz (juanramon.gonzalez@uab.cat).
Actividades
Título |
Horas |
ECTS |
Resultados de aprendizaje |
Tipo: Dirigidas |
|
|
|
Sesiones de prácticas |
50 |
2 |
1, 7, 3, 5, 4, 6, 8, 9, 10, 11, 12, 13, 15, 16, 19 |
Tipo: Supervisadas |
|
|
|
Sesiones de teoria |
50 |
2 |
1, 2, 3, 5, 4, 6, 8, 9, 12, 13 |
Tipo: Autónomas |
|
|
|
Trabajos semanales + autoevaluación |
50 |
2 |
1, 2, 7, 3, 5, 4, 6, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19 |
Evaluación
La evaluación de la asignatura se llevará a cabo con un examen (final) una serie de trabajos semanales y preguntas de autoevaluación. La nota final se calculará con la fórmula:
NF = 0,5* NE + 0,4 * NP + 0.1 *NA
donde NP es la nota promedio de los trabajos semanales, NA la nota promedio de las preguntas de autoevaluación y NE la nota del examen que tiene que ser un 5 como mínimo.
A final de curso habrá una prueba de recupración para aquellos alumnes tales que NE sea menor que 5 y/o NF menor que 5. En este caso, la nota final se calculará con la fórmula:
NF = 0,7 * NR + 0,3 * NP
donde NR es la nota del examen de recuperación.
Evaluación única:
Se llevará a cabo un examen (4 horas) que permitirá evaluar de manera integral los conocimientos y habilidades adquiridos durante el curso. Este examen estará diseñado para evaluar la capacidad del alumno para aplicar los análisis estadísticos aprendidos y su comprensión de los conceptos teóricos.
El examen constará de dos partes principales: análisis estadístico y preguntas teóricas. En la sección de análisis estadístico, se proporcionarán datos relevantes que requerirán del alumno la aplicación de las técnicas y herramientas estadísticas aprendidas durante el curso. Se espera que el alumno realice los siguientes pasos:
La segunda parte del examen consistirá en preguntas teóricas que requerirán respuestas escritas. Estas preguntas estarán relacionadas con los conceptos fundamentales de la estadística, su aplicabilidad en diferentes situaciones y su importancia en la toma de decisiones. El alumno deberá demostrar su comprensión de los conceptos y su capacidad para explicarlos de manera clara y coherente.
La evaluación de este examen se realizará teniendo en cuenta varios criterios:
NOTA: La evaluación propuesta puede experimentar alguna modificación en función de las restricciones a la presencialidad que impongan las autoridades sanitarias.
Actividades de evaluación continuada
Título |
Peso |
Horas |
ECTS |
Resultados de aprendizaje |
Autoevaluación |
10% |
0 |
0 |
1, 7, 5, 8, 9, 13, 15, 19 |
Examen final |
50% |
0 |
0 |
2, 3, 4, 6, 8, 9, 13, 15, 18 |
Prácticas |
40% |
0 |
0 |
1, 2, 7, 3, 5, 4, 6, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19 |
Puede consutarlo a través de este enlace. Para consultar el idioma necesitará introducir el CÓDIGO de la asignatura. Tenga en cuenta que la información es provisional hasta el 30 de noviembre del 2023.
Esta assignatura supone que el alumno ha obtenido los conocimientos que se imparten en diferentes asignaturas sobre los siguientes temas:
- Cálculo en varias variables.
- Probabilidad.
- Modelos lineales.
- Programación en R.
Esta asignatura pretende familiarizar al alumno con diferentes métodos de aprendizaje automático aplicando el punto de vista utilizado cuando se dispone de grandes cantidades de datos.
Estos son los contenidos de la asignatura*
*A menos que las restricciones impuestas por las autoridades sanitarias obliguen a una priorización o reducción de estos contenidos.
La asignatura tiene programadas, a la semana, dos horas de teoria y dos horas de prácticas.
- Clase de teoria: se definen y se explican los diferentes métodos con sus características particulares y se muestran ejemplos concretos.
- Clase de prácticas: se trabajan los métodos explicados en clase de teoria con diversos conjuntos de datos utilizando el lenguaje de programación R.
Se considera que, para cada hora de teoria y prácticas, el alumno deberá dedicar una hora adicional para la preparación y/o finalización de la sesión. Se realizarán preguntas de autoevaluación en el Moodle para consolidar los conocimientos aprendidos en clase
NOTA: La metodología docente propuesta puede experimentar alguna modificación en función de las restricciones a la presencialidad que impongan las autoridades sanitarias.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Título | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|
Tipo: Dirigidas | |||
Clases de Problemas | 14 | 0,56 | 1, 3, 4, 5, 8, 14, 7, 6, 13, 11, 12, 10, 9, 2 |
Clases de Teoría | 26 | 1,04 | 1, 3, 4, 5, 8, 14, 7, 6, 13, 11, 12, 10, 9, 2 |
Tipo: Supervisadas | |||
Clases de Prácticas | 12 | 0,48 | 1, 3, 4, 5, 8, 14, 7, 6, 13, 11, 12, 10, 9, 2 |
Tipo: Autónomas | |||
Trabajo personal | 90,5 | 3,62 | 1, 3, 4, 5, 8, 14, 7, 6, 13, 11, 12, 10, 9, 2 |
Se realizan dos exámenes parciales, EP1 y EP2, ambos con un examen de segunda oportunidad o recuperación, EF1 y EF2. Para aprobar la asignatura, es necesario que la nota de curso NC (media ponderada de los dos exámenes parciales) sea mayor o igual que 4, siendo min(EP1,EP2)>=3.
Además, también es necesario que la nota del examen de prácticas sea mayor o igual que 3.5. Entonces la nota final NF se calcula haciendo NF = 0.2*P + 0.8*NC, donde P es la nota de prácticas.
En el examen de recuperación se recupera la nota de curso NC. La nota de prácticas no se recupera pero se tiene en cuenta para calcular la nota final. En caso de tener que realizar la recuperación, la nota final se calcula de la siguiente forma.
Decimos R la nota de recuperación, calculada con la siguiente fórmula: R = 0.5*[max(EP1,EF1)+max(EP2,EF2)]. Entonces la nota de curso definitiva NCD se calcula como NCD = 0.3*NC + 0.7*R.
Observe que NCD depende de la recuperación y también de la nota de curso NC. En este caso la nota final será NF = 0.2*P + 0.8*NCD si se cumple la condición min(max(EP1,EF1),max(EP2,EF2))>=3. En caso contrario, la nota final será min(NF, 4.5).
Evaluación única
Se realiza un examen final, EFU, que tiene un examen de segunda oportunidad o de recuperación, ERU, en caso necesario. El examen final EFU tiene 2 partes, EFU1 y EFU2, que se realizan en un solo día, uno por la mañana y otro por la tarde. Del mismo modo, el examen de recuperación ERU tiene 2 partes, ERU1 y ERU2, que se realizan en un solo día, uno por la mañana y otro por la tarde.
El contenido de la primera parte (de los dos exámenes, EFU y ERU) coincide con el del examen EP1 de la evaluación continua.El contenido de la segunda parte (ambos exámenes, EFU y ERU) coincide con el del examen EP2 de la evaluación continua.
Para aprobar la asignatura en esta modalidad, es necesario que la nota final NFU (media ponderada de las dos partes, EFU1 y EFU2) sea mayor o igual que 5, siendo min(EFU1,EFU2)>=3.5 . En caso contrario es necesario realizar el examen de recuperación, y entonces la nota final, NFUR, se calcula de la siguiente forma:
NFUR = 0.3*NFU + 0.35*[max(EFU1,ERU1)+max(EFU2,ERU2)] si se cumple la condición min[max(EFU1,ERU1),max(EFU2,ERU2)]>=3 , o bien min(NFUR, 4.5) si esta condición no se cumple.
Nota (válida para las dos opciones de evaluación): En ningún caso las opciones de segunda oportunidad (o de recuperación) son para subir las notas que sean >= 5.
Título | Peso | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|---|
Examen Final | 50% | 3 | 0,12 | 1, 3, 4, 5, 8, 14, 7, 6, 13, 11, 12, 10, 9, 2 |
Examen parcial | 30% | 2 | 0,08 | 1, 3, 4, 5, 8, 14, 7, 6, 13, 11, 12, 10, 9, 2 |
Prácticas | 20% | 2,5 | 0,1 | 1, 3, 4, 5, 8, 14, 7, 6, 13, 11, 12, 10, 9, 2 |
Bibliografía básica:
- An Introduction to Statistical Learning with Applications in R - Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani
- El bookdown de la asignatura: https://isglobal-brge.github.io/Aprendizaje_Automatico_1/
Bibliografía complementaria:
- 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
Tanto la teoría como la parte práctica se hará con R.