Logo UAB

Aprenentatge Automàtic 1

Codi: 104870 Crèdits: 6
2024/2025
Titulació Tipus Curs
2503852 Estadística Aplicada OB 3

Professor/a de contacte

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

Idiomes dels grups

Podeu consultar aquesta informació al final del document.


Prerequisits

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 python.


Objectius

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.


Resultats d'aprenentatge

  1. CM11 (Competència) Crear nous models d'aprenentatge automàtic, executant experiments per a demostrar-ne la viabilitat i millora del rendiment respecte a l'estat de l'art.
  2. KM16 (Coneixement) Reconèixer models d'aprenentatge automàtic, supervisat i no supervisat, profund i generatiu, fomentant la innovació en l'àmbit de l'estadística.
  3. KM16 (Coneixement) Reconèixer models d'aprenentatge automàtic, supervisat i no supervisat, profund i generatiu, fomentant la innovació en l'àmbit de l'estadística.

Continguts

- Introducció a l'aprenentatge automàtic.
- Regularització en les regressions lineal i logística.
- Aprenentatge estadístic.
- Màquines de suport vectorial.
- K-veïns més propers.
- Naive Bayes.
- Arbres de decisió.
- Ensembles.
- Mineria de textos.
- Anàlisi de xarxes.


Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Tipus: Dirigides      
Sessions de pràctiques 30 1,2
Tipus: Supervisades      
Sessions de teoria 50 2
Tipus: Autònomes      
Estudi personal de la matèria 46 1,84

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.


Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Examen 50% 4 0,16 CM11, KM16
Treball Pràctic 50% 20 0,8 CM11, KM16

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), sempre i quan NEF sigui superior a 3,5, en cas contrari NT = NEF.

L'avaluació de la part de pràctiques es farà a través d'entregues durant el curs.

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 NT = min(5, NER), on NER és 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. En cas de que NT o NP no superin el 3,5 llavors la nota final de l'assignatura serà N = min(NT, NP).

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.

 

Avaluació Única

L'avaluació per a l’alumnat que s’hagi acollit a la modalitat d’avaluació única es basarà en la nota de l'examen final (50%) i la nota d'un treball de pràctiques (50%).


Bibliografia

  • Geron, A. (2019) Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow (O'Reilly)
  • Hastie, T. et al (2008) The Elements of Statistical Learning: Data Mining, Inference, and Prediction

Programari

Python


Llista d'idiomes

Nom Grup Idioma Semestre Torn
(PLAB) Pràctiques de laboratori 1 Català primer quadrimestre tarda
(TE) Teoria 1 Català primer quadrimestre tarda