Aprendizaje Automático 2
Código: 104871 Créditos ECTS: 6| Titulación | Tipo | Curso | Semestre |
|---|---|---|---|
| 2503852 Estadística Aplicada | OB | 3 | 2 |
Contacto
- Nombre:
- Antonio Lozano Bagen
- Correo electrónico:
- antonio.lozano.bagen@uab.cat
Idiomas de los grupos
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.
Equipo docente
- Roger Borràs Amoraga
Prerrequisitos
Las asignaturas de primer curso, además de Métodos Numéricos y Optimización y Aprendizaje Automático 1.
Objetivos y contextualización
Aprender a nivel teórico y práctico las potencialidades del aprendizaje profundo para datos estructurados y también no estructurados.
Competencias
- Analizar datos mediante la aplicación de métodos y técnicas estadísticas, trabajando con datos de diversas tipologías.
- Aplicar el espíritu crítico y el rigor para validar o refutar argumentos tanto propios como de otras personas.
- Evaluar de manera crítica y con criterios de calidad el trabajo realizado.
- Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
- Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
- Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
- Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
- Resumir y descubrir patrones de comportamiento en la exploración de los datos.
- Seleccionar las fuentes y técnicas de adquisición y gestión de datos adecuadas para su tratamiento estadístico.
- Seleccionar los modelos o técnicas estadísticas para aplicarlos a estudios y problemas reales, así como conocer las herramientas de validación de los mismos.
- Seleccionar y aplicar procedimientos más apropiados para la modelización estadística y el análisis de datos complejos.
- Trabajar cooperativamente en un contexto multidisciplinar asumiendo y respetando el rol de los diferentes miembros del equipo.
- Utilizar correctamente un amplio espectro del software y lenguajes de programación estadísticos, escogiendo el más apropiado para cada análisis y ser capaz de adaptarlo a nuevas necesidades.
- Utilizar eficazmente la bibliografía y los recursos electrónicos para obtener información.
Resultados de aprendizaje
- Analizar datos mediante metodología de aprendizaje automático.
- Aplicar el espíritu crítico y el rigor para validar o refutar argumentos tanto propios como de otros.
- Describir las ventajas e inconvenientes de los métodos algorítmicos frente a los métodos convencionales de la inferencia estadística.
- Descubrir comportamientos y tipologías de individuos mediante técnicas de minería de datos.
- Emplear gráficos de resumen de datos multivariados o más complejos.
- Evaluar de manera crítica y con criterios de calidad el trabajo realizado.
- Identificar las suposiciones estadísticas asociadas a cada procedimiento avanzado.
- Identificar, emplear e interpretar los criterios para evaluar el grado de cumplimiento de los requisitos necesarios para aplicar cada procedimiento avanzado.
- Implementar programas en lenguajes adecuados para la minería de datos.
- Obtener y gestionar bases de datos complejas para su posterior análisis.
- Proyectar un estudio en base a metodologías multivariantes y/o minería de datos para resolver un problema contextualizado en la realidad experimental.
- Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
- Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
- Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
- Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
- Trabajar cooperativamente en un contexto multidisciplinar asumiendo y respetando el rol de los diferentes miembros del equipo.
- Utilizar eficazmente bibliografía y recursos electrónicos para obtener información.
- Utilizar métodos de minería de datos para validar y comparar posibles modelos.
Contenido
Tema 1: Redes neuronales completamente conectadas.
Tema 2: Redes neuronales convolucionales.
Tema 3: Redes neuronales recurrentes.
Tema 4: Otros tipos de redes neuronales.
Metodología
La docencia combinará en clase lecciones por parte de los profesores y trabajo práctico de los estudiantes con ordenador.
En todos los aspectos de las actividades de enseñanza/aprendizaje se harán los mejores esfuerzos por parte de profesorado y alumnado para evitar lenguaje y situaciones que puedan ser interpretados como sexistas.
Para conseguiruna mejora continua en este tema, todo el mundo debe colaborar a poner de manifiesto las desviaciones que observe respecto de este objetivo.
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.
Actividades
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Dirigidas | |||
| Clases teóricas y prácticas | 50 | 2 | |
| Tipo: Autónomas | |||
| Estudio personal de la materia | 46 | 1,84 | |
| Practicas | 30 | 1,2 |
Evaluación
Evaluación continua
La evaluación de la asignatura tendrá dos partes: la parte de teoría, NT, y la parte de práctica, NP. La nota final de la asignatura será N = 0.5*NT + 0.5*NP..
La evaluación de la parte de teoria consistirá en dos exámenes: un examen parcial, NEP, y un examen final, NEF. La nota final de la parte de teoria será NT = max(NEF, 0.3*NEP + 0.7*NEF).
La evaluación de la parte de prácticas tendrá dos partes: una parte de evaluación continua, NPC, y una parte de trabajo final, NPT. La nota final de la parte de prácticas será NP = 0.5*NPC + 0.5*NPT.
En la fecha del examen de recuperación de la asignatura ser podrá recuperar solo la parte de teoría. En caso que un/a alumno/a se presente al examen de recuperación entonces la nota de teoría, NT, será la nota del examen de recuperación.
Para que una actividad se tenga en cuenta en la nota final, es necesario haber obtenido como mínimo un 3,5.
Se considerará evaluable aquella persona que haya presentado actividades por un total de al menos el 50% de la asignatura. En caso contrario constará en el acta como No Evaluable.
Para la asignación de Matrículas de Honor no se tendrán en cuenta las notas de la segunda convocatoria.
Evaluación Única
La evaluación para aquellas personas que se acojan a la modalidad de evaluación única será N = 0.5*NEF+ 0.5*NPT.
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Examen | 50% | 4 | 0,16 | 1, 2, 6, 4, 3, 5, 7, 8, 9, 10, 12, 13, 14, 15, 16, 17, 18 |
| Trabajo | 50% | 20 | 0,8 | 1, 4, 5, 9, 10, 11, 12, 13, 14, 15, 17, 18 |
Bibliografía
- 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)
Software
Python