Titulació | Tipus | Curs | Semestre |
---|---|---|---|
2503740 Matemàtica Computacional i Analítica de Dades | OB | 3 | 1 |
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.
Es considera molt important un bon coneixement dels continguts de les assignatures cursades durant el primer curs com Probabilitat i Càlcul i de segon curs com Intel·ligència Artificial i Modelització i Inferència. Encara que alguna part teòrica dels continguts ja hagi estat tractada en aquelles assignatures des d'un punt de vista matemàtic, en aquesta assignatura es tractaran des d'un punt de vista computacional, és a dir, ens centrarem en la seva implementació en python i la seva aplicació en diversos casos reals.
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 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'anàlisi 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 i biaixos de l'aprenentatge computacional
TEMA 2: REGRESSIÓ DE DADES
2.1 Descens del gradient
2.2 Regularització
TEMA 3: CLASSIFICACIÓ DE DADES
3.1 Regressió logística regularitzada
3.2 Màquines de vectors de suport
TEMA 4: MEMORITZACIÓ DE DADES
4.1 Aprenentatge mandrós: els hiperparàmetres
4.2 L'algorisme K-Nearest neighbors (ponderat)
TEMA 5: AGRUPACIÓ DE DADES
5.1 Modelització per Mixtura de Gaussianes
5.2 L'algorisme 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/view.php?id=94), al menú de l'assignatura Aprenentatge Computacional (104403). 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 set 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 detallsde 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.
MD1 Resolució de problemes de computació: Entrega de fins un màxim de 3 problemes implementats en un Jupyter Notebook, dels 5 treballats a classe. Tots els temes de teoria aniran acompanyats d'una relació de notebooks, a partir dels quals l'estudiant haurà de treballar a les sessions de problemes i entregar opcionalment. 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 projecte curt guiat grupal: Realització d'1 pràctica guiada per aprofundir en aspectes aplicats de la teoria. La part pràctica de l'assignatura quedarà completada amb 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 (en casos justificats, es permetran grups d'1 persona),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 a meitat 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 Resolució individual d'un cas pràctic Kaggle: cada estudiant realitzarà individualment un projecte python on s'aplicaran i 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 notebookses poden trobar en el següent repositori: https://datauab.github.io/
MD4 Consultes i dubtes: Hores de lliure disposicióper 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 fet el curs anterior, en el cas que hagin aprovat. Els repetidors si que hauran de tornar a fer obligatòriament les proves teòriques individuals (MD0).
Competències Transversals
Les competències transversals T01, T02 i T04 es treballen i s’avaluaren al llar del curs en les següents activitats
- T01 Avaluar de manera crítica i amb criteris qualitat el treball realitzat: en les activitats MD0 (estudi de la teoria), MD1 (realització dels problemes), MD2 (realització de les pràctiques de laboratori) i MD3 (explicar un cas pràctic d'aprenentatge computacional)
- T02 Treballar cooperativament en un context multidisciplinar assumint i respectant el rol dels diferents membres de l'equip: en les pràctiques de MD2 i l'anàlisi de projectes en MD3.
- T04 Utilitzar eficaçment la bibliografia i els recursos electrònics per obtenir informació: en la preparació del material de teoria de MD0, i en la preparació de la descripció del cas pràctic en 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 | 12 | 0,48 | 1, 2, 3, 5, 9 |
MD1: Resolució de Problemes | 10 | 0,4 | 1, 2, 4, 5, 7 |
MD2: Resolució de projectes pràctics | 6 | 0,24 | 1, 2, 3, 4, 5, 7, 8 |
MD3: Cas Kaggle | 12 | 0,48 | 1, 3, 4, 5, 6, 9 |
Tipus: Supervisades | |||
MD2: Programació de projectes | 6 | 0,24 | 1, 2, 3, 4, 5, 6, 8 |
MD3: Cas Kaggle | 12 | 0,48 | 4, 5, 6, 7, 8, 9 |
Tipus: Autònomes | |||
MD0: Estudi individual | 12 | 0,48 | 1, 3, 4, 5, 6, 7, 9 |
MD1: Resolució de problemes (individual) | 24 | 0,96 | 1, 2, 3, 4, 5, 6 |
MD2: Resolució de casos pràctics (grupal) | 16 | 0,64 | 1, 3, 4, 5, 6, 8, 9 |
MD3: Descripció en python d'un cas pràctic d'aprenentatge computacional | 32 | 1,28 | 1, 2, 3, 5, 6, 7, 9 |
Activitats i instruments d’avaluació:
a) Procés i activitats d’avaluació programades
L’assignatura consta de les activitats d’avaluació següents:
- MD0: 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 opcional, individual i recuperable (hi hauran dos parcials i les seves respectives recuperacions, sense penalització).
- MD1: Lliurament d'informe amb fins a 3 problemes resolts, on cada alumne individualment farà entrega d'un informe escrit de fins a 3 dels 5 problemes vistos a classes de problemes (regressió, classificació, memorització, i clustering). Representa el 25% sobre la qualificació final, és opcional, individual i recuperable (sense penalització, el dia de l'examen de teoria de recuperació).
- MD2: Resolució d'una pràctica amb entrega d'informe explicant la resolució i els resultats, on cada grup composat per dues ó tres persones (en casos justificats els grups podran ser d'1 persona), entregaran el codi python, així com un informe de fins a 30 pàgines on descriuran les bases de dades, l'estratègia que han fet servir per analitzar les dades, així com les proves amb diferents valors dels paràmetres que han provat i els resultats que han obtingut amb la millor configuracióposssible. Es farà una presentació opcional de cada projecte. Representa el 25% (codi 5% + informe 15% + presentació 5%) sobre la qualificació final, és opcional, grupal i és recuperable (sense penalització, el dia de l'examen de teoria de recuperació)
- MD3: Elaboració individual d'un repositori github amb la descripció en unn informe de fins a 30 pàgines del codi python i els resultats 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 realització d'una presentació opcional on es 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 30% de la qualificació final (codi 5% + informe 15% + github 5% + presentació 5%), és opcional, 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 es calcularà a partir de dos exàmens parcials:
Nota Teoria = (0.5 * Parcial1) + (0.5 * 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) sobre les 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.
− MD1: Lliurament individual d'un informe amb fins a 3 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 T04).
Nota Problemes = Avaluació del portfoli amb 3 problemes resolts dels 5 vistos a classe. Es poden recuperar entregant per Caronte el dia del segon parcial de teoria, sense penalizatció.
− MD2: Resolució d'1 pràctica en grup
L’avaluació del 2 projecte de pràctiques inclourà:
− Avaluació conjunta de cada projecte (competència T02): nota única per tots els membres del grupde 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 = (0.2 * Programa) + (0.2 * Presentació) + (0.6 * Documentació)
En casos molt justificats (p.ex. PIUNE, per qüestions laborals, familiars o de salut, ...), els grups poden ser d' 1 persona.
− MD3:Realització d'un cas concret d'aprenentatge computacional de la plataforma Kaggle
L'avaluació es basarà en el codi python i l'explicació en un informe de fins a 30 pàgines del codi i resultats que es trobarà en un repositori github. La nota del cas kaggle es calcularà segons la fòrmula:
Nota Cas Kaggle = (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 repositori Github)
Exemples de jupyter notebooks aplicats a casos concrets es poden trobar aquí https://datauab.github.io/.
− Avaluació de competències transversals
Elsexàmens parcials permetran avaluar la vostra adquisició d'hàbits de pensament i de treball personal (T01 Avaluar de manera crítica i amb criteris qualitat el treball realitzat, Nota Teoria). Amb Nota Projecte de pràctiques, també s'avaluarà el treball en equip (T02 Treballar cooperativament en un context multidisciplinar assuminti respectant el rol de les diferents membres de l'equip, Nota Grup). Amb la realització dels problemes i la realització d'un cas Kaggle, s'avaluarà l'adquisició d'hàbits per solucionar una tasca predeterminada amb uns valors de dades totalment diferents als vistos a classe (T04 Utilitzar eficaçment la bibliografia i els recursos electrònics per obtenir informació, 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) + (0.25 * Pràctica) + (0.25 * Problemes) + (0.30 * Cas Kaggle)
Addicionalment, s'organitzarà una Datathon per a tota la classe, on es podrà assolir fins a 1.0 punt extra per quedar entre els primers en la competició que es realitzarà el darrer dia del curs, participació opcional.
Condicions per aprovar:
Totes les activitats avaluatives són opcionals, per aprovar l'assignatura és necessari que la suma de l'avaluació de cadascuna de les activitats superi els 5 punts. En cas de no superar l'assignatura, la nota numèrica de l'expedient serà el valor menor entre 4.5 i la mitjana ponderada de les notes assolides:
Si l'alumne es presenta a algun exàmen o si entrega alguna pràctica, ja no podrà ser avaluat com a "No Avaluable" en el cas que no es presenti a cap de les altres avaluacions, sinó que se li calcularà la nota final a partir d'aquelles avaluacions continuadesa les que s'hagi presentat.
b) Programació d’activitats d’avaluació
Les dates d'avaluació continuada i lliurament de treballs es publicaran 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 possiblesincidències; sempre s'informarà a caronte.uab.cat sobre aquests canvis ja que aquesta plataforma esdevindrà elmecanisme habitual d'intercanvi d'informació entre professor i estudiants.
c) Procés de recuperació
L’estudiant es pot presentar a la recuperació sempre que s’hagi presentat a un conjunt d’activitats que representin un mínim de dues terceres parts (4 activitats d'avaluació sobre 7 total: 2 exàmens de teoria parcials; 1 avaluació de la pràctica; 3 entregues de problemes; i 1 entrega del cas kaggle) de la qualificació total de l’assignatura.
D’aquests, es podran presentara la recuperació aquells estudiants que tinguin com a mitjana de totes les activitats de l’assignatura una qualificació superior a 3.0.
Cal tenir present que la Resolució del CasKaggle (MD3) no és recuperable.
d) Procediment de revisió de les qualificacions
Per a cada examen teòricindividual, 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 professorat responsable de l’assignatura,fins arribar 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 ésnecessari superar qualsevol d'aquestes activitats d'avaluació per aprovarl'assignatura,aquesta assignatura quedarà suspesa directament, sense oportunitat de recuperarla en el mateix curs. Aquestesirregularitats 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 edicionsfutures 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.
Enresum: copiar, deixar copiar o plagiar (o l'intent de) 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 l'examen teòric individual, afegint les notes corresponents a les MDs obtingudes la primera vegada que l’estudiant s’ha matriculat de l’assignatura, sempre que les notes de pràctiques MD2 siguin superiors o iguals a 5.0.
Per poder optar a aquesta avaluació diferenciada, l’estudiant repetidor ho ha de demanar al professor com a molt tard fins la setmana 5.
Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|---|
Documentació escrita, implementació i presentació de la pràctica | 25% | 2 | 0,08 | 1, 3, 4, 5, 7, 8 |
Documentació escrita, implementació i presentació del cas Kaggle | 30% | 2 | 0,08 | 1, 2, 5, 6, 8, 9 |
Lliurament de problemes | 25% | 0 | 0 | 1, 3, 4, 5, 7, 9 |
Proves teòriques individuals | 20% | 4 | 0,16 | 3, 4, 5, 6, 7, 9 |
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/35jalzm
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.