Aprenentatge Automàtic 2
Codi: 104871 Crèdits: 6| Titulació | Tipus | Curs |
|---|---|---|
| 2503852 Estadística Aplicada | OB | 3 |
Professor/a de contacte
- Nom:
- Antonio Lozano Bagen
- Correu electrònic:
- antonio.lozano.bagen@uab.cat
Equip docent
- Roger Borràs Amoraga
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Les assignatures de primer curs, a més de Mètodes Numèrics i Optimització i Aprenentatge Automàtic 1.
Objectius
Aprendre a nivell teòric i pràctic els potencials de l'aprenentatge profund per a dades estructurades i també no estructurades.
Resultats d'aprenentatge
- 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.
- CM12 (Competència) Valorar l'existència de desigualtats per raó de gènere en les bases de dades, per a evitar els biaixos en la presa de decisions automàtica (algorísmica).
- KM16 (Coneixement) Reconèixer models d'aprenentatge automàtic, supervisat i no supervisat, profund i generatiu, fomentant la innovació en l'àmbit de l'estadística.
- KM16 (Coneixement) Reconèixer models d'aprenentatge automàtic, supervisat i no supervisat, profund i generatiu, fomentant la innovació en l'àmbit de l'estadística.
Continguts
Tema 1: Xarxes neuronals completament connectades.
Tema 2: Xarxes neuronals convolucionals.
Tema 3: Xarxes neuronals recurrents.
Tema 4: Altres tipus de xarxes neuronals.
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, CM12, KM16 |
| Treball Pràctic | 50% | 20 | 0,8 | CM11, CM12, 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
- Prince, S. (2023) Understanding Deep Learning
- 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
Llista d'idiomes
| Nom | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (PLAB) Pràctiques de laboratori | 1 | Català | segon quadrimestre | tarda |
| (TE) Teoria | 1 | Català | segon quadrimestre | tarda |