Aprendizaje Automático 2
Código: 104871 Créditos ECTS: 6| Titulación | Tipo | Curso |
|---|---|---|
| 2503852 Estadística Aplicada | OB | 3 |
Contacto
- Nombre:
- Antonio Lozano Bagen
- Correo electrónico:
- antonio.lozano.bagen@uab.cat
Equipo docente
- Roger Borràs Amoraga
Idiomas de los grupos
Puede consultar esta información al final del documento.
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.
Resultados de aprendizaje
- CM11 (Competencia) Crear nuevos modelos de aprendizaje automático, ejecutando experimentos para demostrar su viabilidad y mejora de rendimiento con respecto al estado del arte.
- CM12 (Competencia) Valorar la existencia de desigualdades por razón de género en las bases de datos, para evitar los sesgos en la toma de decisiones automática (algorítmica).
- KM16 (Conocimiento) Reconocer modelos de aprendizaje automático, supervisado y no supervisado, profundo y generativo, fomentando la innovación en el ámbito de la estadística.
- KM16 (Conocimiento) Reconocer modelos de aprendizaje automático, supervisado y no supervisado, profundo y generativo, fomentando la innovación en el ámbito de la estadística.
Contenido
Tema 1: Redes neuronales completamente conectadas.
Tema 2: Redes neuronales convolucionales.
Tema 3: Redes neuronales recurrentes.
Tema 4: Otros tipos de redes neuronales.
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Dirigidas | |||
| Sesiones de prácticas | 30 | 1,2 | |
| Tipo: Supervisadas | |||
| Sesiones de teoria | 50 | 2 | |
| Tipo: Autónomas | |||
| Estudio personal de la materia | 46 | 1,84 |
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.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Examen | 50% | 4 | 0,16 | CM11, CM12, KM16 |
| Trabajo Práctico | 50% | 20 | 0,8 | CM11, CM12, KM16 |
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 teoría consistirá en dos exámenes: un examen parcial, NEP, y un examen final, NEF. La nota final de la parte de teoría será NT = max(NEF, 0.3*NEP + 0.7*NEF), siempre y cuando NEF sea superior a 3,5, en caso contrario NT = NEF.
La evaluación de la parte de prácticas se hará a través de entregas durante el curso.
En la fecha del examen de recuperación de la asignatura ser podrá recuperar solo la parte de teoría. En caso de que un/a alumno/a se presente al examen de recuperación, entonces la nota de teoría, NT, será NT = min(5, NER), donde NER es 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. En caso de que NT o NP no superen el 3,5 entonces la nota final de la asignatura será N = min(NT, NP).
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.
Evaluación Única
La evaluación para aquellas personas que se acojan a la modalidad de evaluación única se basará en la nota del examen final (50%) i la nota de un trabajo de prácticas (50%).
Bibliografía
- 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)
Software
Python
Lista de idiomas
| Nombre | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (PLAB) Prácticas de laboratorio | 1 | Catalán | segundo cuatrimestre | tarde |
| (TE) Teoría | 1 | Catalán | segundo cuatrimestre | tarde |