Logo UAB
2023/2024

Aprenentatge Automàtic 2

Codi: 104871 Crèdits: 6
Titulació Tipus Curs Semestre
2503852 Estadística Aplicada OB 3 2

Professor/a de contacte

Nom:
Antonio Lozano Bagen
Correu electrònic:
antonio.lozano.bagen@uab.cat

Idiomes dels grups

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.

Equip docent

Roger Borràs Amoraga

Prerequisits

Les assignatures de primer curs, a més de Mètodes Numèrics i Optimització i Aprenentatge Automàtic 1.


Objectius

Aprendre a nivell teòric i pràctic les potencialitats de l'aprenentage profund per a dades estructurades i també no estructurades.


Competències

  • Analitzar dades mitjançant l'aplicació de mètodes i tècniques estadístiques, treballant amb dades de diverses tipologies.
  • Aplicar l'esperit crític i el rigor per validar o refutar arguments tant propis com d'altres persones.
  • Avaluar de manera crítica i amb criteris de qualitat el treball realitzat.
  • Que els estudiants hagin desenvolupat aquelles habilitats d'aprenentatge necessàries per emprendre estudis posteriors amb un alt grau d'autonomia.
  • Que els estudiants puguin transmetre informació, idees, problemes i solucions a un públic tant especialitzat com no especialitzat.
  • Que els estudiants sàpiguen aplicar els coneixements propis a la seva feina o vocació d'una manera professional i tinguin les competències que se solen demostrar per mitjà de l'elaboració i la 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 destacats d'índole social, científica o ètica.
  • Resumir i descobrir patrons de comportament en l'exploració de les dades.
  • Seleccionar els models o tècniques estadístiques per aplicar-los en estudis i problemes reals, així com conèixer-ne les eines de validació.
  • Seleccionar i aplicar procediments més apropiats per a la modelització estadística i l'anàlisi de dades complexes.
  • Seleccionar les fonts i tècniques d'adquisició i gestió de dades adequades per a fer-ne un tractament estadístic.
  • Treballar cooperativament en un context multidisciplinari assumint i respectant el rol dels diferents membres de l'equip.
  • Utilitzar correctament un ampli espectre del programari i llenguatges de programació estadístiques, escollint el més apropiat per a cada anàlisi i ser capaç d'adaptar-lo a noves necessitats.
  • Utilitzar eficaçment la bibliografia i els recursos electrònics per obtenir informació.

Resultats d'aprenentatge

  1. Analitzar dades mitjançant la metodologia d'aprenentatge automàtic.
  2. Aplicar l'esperit crític i el rigor per validar o refutar arguments, tant propis com d'altres.
  3. Avaluar de manera crítica i amb criteris de qualitat la feina feta.
  4. Descobrir comportaments i tipologies d'individus mitjançant tècniques de mineria de dades.
  5. Descriure els avantatges i els inconvenients dels mètodes algorítmics vers els mètodes convencionals de la inferència estadística.
  6. Fer servir gràfics de resum de dades multivariades o més complexes.
  7. Identificar les suposicions estadístiques associades a cada procediment avançat.
  8. Identificar, fer servir i interpretar els criteris per avaluar el grau de compliment dels requisits necessaris per aplicar cada procediment avançat.
  9. Implementar programes en llenguatges adequats per a la mineria de dades.
  10. Obtenir i gestionar bases de dades complexes per analitzar-les posteriorment.
  11. Projectar un estudi partint de metodologies multivariants o de mineria de dades per resoldre un problema contextualitzat en la realitat experimental.
  12. Que els estudiants hagin desenvolupat aquelles habilitats d'aprenentatge necessàries per emprendre estudis posteriors amb un alt grau d'autonomia.
  13. Que els estudiants puguin transmetre informació, idees, problemes i solucions a un públic tant especialitzat com no especialitzat.
  14. Que els estudiants sàpiguen aplicar els coneixements propis a la seva feina o vocació d'una manera professional i tinguin les competències que se solen demostrar per mitjà de l'elaboració i la defensa d'arguments i la resolució de problemes dins de la seva àrea d'estudi.
  15. 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 destacats d'índole social, científica o ètica.
  16. Treballar cooperativament en un context multidisciplinari assumint i respectant el rol dels diferents membres de l'equip.
  17. Utilitzar eficaçment bibliografia i recursos electrònics per obtenir informació.
  18. Utilitzar mètodes de mineria de dades per validar i comparar possibles models.

Continguts

Tema 1: Xarxes neuronals completament connectades.
Tema 2: Xarxes neuronals convolucionals.
Tema 3: Xarxes neuronals recurrents.
Tema 4: Altres tipus de xarxes neuronals.


Metodologia

La docència combinarà a classe lliçons per part del professors i treball pràctic dels estudiants amb ordinador.

En tots els aspectes de les activitats d'ensenyament/aprenentatge es faran els millors esforços per part de professorat i alumnat per evitar llenguatge i situacions que puguin ser interpretats com a sexistes.

Per tal d'aconseguir una millora contínua en aquest tema, tothom ha de col.laborar a posar de manifest les desviacions que observi respecte d'aquest objectiu.

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.


Activitats formatives

Títol Hores ECTS Resultats d'aprenentatge
Tipus: Dirigides      
Classes teòriques i pràctiques 50 2
Tipus: Autònomes      
Estudi personal de la matèria 46 1,84
Pràctiques 30 1,2

Avaluació

Avaluació continuada

L'avaluació de l'assignatura tindrà dues parts: la part de teoria, NT i la part de pràctica, NP. La nota final de l'assignatura serà N = 0.5*NT + 0.5*NP.

L'avaluació de la part de teoria consistirà en dos exàmens: un examen parcial, NEP, i un examen final, NEF. La nota final de la part de teoria serà NT = max(NEF, 0.3*NEP + 0.7*NEF).

L'avaluació de la part de pràctiques tindrà dues parts: una part d'avaluació continuada, NPC, i una part de treball final, NPT. La nota final de la part de pràctiques serà NP = 0.5*NPC + 0.5*NPT.

En la data de l'examen de recuperació de l'assignatura es podrà recuperar només la part de teoria. En cas que un/a alumne/a es presenti a l'examen de recuperació llavors la nota de teoria, NT, serà la nota de l'examen de recuperació.

Per a que una activitat es tingui en compte a la nota final, cal haver tret un mínim de 3,5.

Es considerarà avaluable l'estudiant que hagi presentat activitats per un total d'almenys el 50% de l'assignatura. En cas contrari constarà a l'acta com a No Avaluable.

Per a l'assignació de Matrícules d'Honor no es tindran en compte les notes de la segona convocatòria.

 

Avaluació Única

L'avaluació per a l’alumnat que s’hagi acollit a la modalitat d’avaluació única serà N = 0.5*NEF+ 0.5*NPT.


Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Examen 50% 4 0,16 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 13, 14, 15, 16, 17, 18
Treball Pràctic 50% 20 0,8 1, 4, 6, 9, 10, 11, 12, 13, 14, 15, 17, 18

Bibliografia

  • Geron, A. (2019) Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow (O'Reilly)
  • Goodfellow, I. et al (2016) Deep Learning (MIT Press)
  • Chollet, F. (2017) Deep Learning with Python (Manning)

Programari

Python