Aprenentatge Automàtic 1
Codi: 104870 Crèdits: 6| Titulació | Tipus | Curs |
|---|---|---|
| Estadística Aplicada | OB | 3 |
Professor/a de contacte
- Nom:
- Rosario Delgado De la Torre
- Correu electrònic:
- rosario.delgado@uab.cat
Equip docent
- Anabel Blasco Moreno
- David Moriña Soler
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:
- Àlgebra lineal i Càlcul
- Probabilitat i Inferència Estadística
- Eines Informàtiques per a l'Estadística i Introducció a la Programació
- Models lineals.
Objectius
Aquesta assignatura pretén introduir l'alumne en l'àmbit de l'Aprenentatge Automàtic Supervisat, presentant diferents metodologies i conceptes bàsics.
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.
Continguts
- Introducció a l'Aprenentatge Automàtic Supervisat.
- Màquines de suport vectorial.
- K-veïns més propers.
- Arbres de decisió i Random Forests.
- Validación, matrius de confusió i mètriques de comportament (cas binari).
- Altres tòpics: aproximació amb costos, bases de dades desequilibrades, biaixos, qüestions ètiques,...
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, perquè els alumnes completin les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Entregues i treball pràctic | 40% | 18 | 0,72 | CM11, CM12, KM16 |
| Examen | 40% | 3 | 0,12 | KM16 |
| PAC1 | 20% | 3 | 0,12 | KM16 |
Avaluació continua
L’avaluació de l’assignatura constarà de tres parts: la nota PAC1 (control), la nota de l’examen Ex, i la part de pràctiques, NP. La nota de l’assignatura serà N = 0,2*PAC1 + 0,4*Ex + 0,4*NP, sempre que cadascuna de les notes sigui com a mínim de 3,5 sobre 10. En cas contrari, es considerarà que aquella nota és un 0 en el còmput de N.
Si N ≥ 5, s’entendrà que l’assignatura està superada amb una nota final NF = N.
En cas contrari, l’alumne pot fer un examen de recuperació ExRec, i la seva nota final serà NF = 0,7*ExRec + 0,3*NP. És a dir, la nota de pràctiques, que NO és recuperable, tindrà un pes del 30% en la nota final.
L’examen de recuperació en cap cas serveix per pujar nota quan l’assignatura ja ha estat superada.
Es considerarà avaluable l’alumne que s’hagi presentat a alguna activitat avaluable. En cas contrari, constarà a l’acta com a No Avaluable.
Avaluació única
L’avaluació per a les persones que s’acullin a la modalitat d’avaluació única es basarà en la nota de l’examen final (60%) i en la nota d’un treball de pràctiques (40%).
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. Springer Series in Statistics.
- Bishop, C.M. (2006) Pattern Recognition and Machine Learning. Information Science and Statistics Series. Springer.
Programari
S'utilitzaran Python i RStudio, que és un IDE (Entorn de Desenvolupament Integrat) específicament creat per al llenguatge de programació R.
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre de 2025. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d’aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura
| Nom | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (PLAB) Pràctiques de laboratori | 1 | Català | primer quadrimestre | tarda |
| (PLAB) Pràctiques de laboratori | 2 | Català | primer quadrimestre | tarda |
| (TE) Teoria | 1 | Català | primer quadrimestre | tarda |