Aquesta versió de la guia docent és provisional fins que no finalitzi el període d’edició de les guies del nou curs.

Logo UAB

Aprenentatge Automàtic 2

Codi: 104871 Crèdits: 6
2025/2026
Titulació Tipus Curs
Estadística Aplicada OB 3

Professor/a de contacte

Nom:
Víctor Navas Portella
Correu electrònic:
victor.navas@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

  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. 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).
  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

Tema 1: Introducció als models d'aprenentatge profund.
Tema 2: Aprenentatge basat en xarxes neuronals.
Tema 3: Solucions d'aprenentatge


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
Examen 50% 4 0,16 CM11, CM12, KM16
Part pràctica 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 pràctica consistirà en dos ítems: un entregable de pràctiques (EP) i un examen de la part pràctica (EPP). La nota de la part pràctica serà NP = 0.5 EP + 0.5 EPP.

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 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 de l'entregable i l'examen 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


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 segon quadrimestre tarda
(TE) Teoria 1 Català segon quadrimestre tarda