Aprendizaje Automático 2
Código: 104871 Créditos ECTS: 6| Titulación | Tipo | Curso |
|---|---|---|
| Estadística Aplicada | OB | 3 |
Contacto
- Nombre:
- Víctor Navas Portella
- Correo electrónico:
- victor.navas@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.
Contenido
Tema 1: Introducción a los modelos de aprendizaje profundo
Tema 2: Aprendizaje basado en redes neuronales
Tema 3: Soluciones de aprendizaje
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 |
| Parte Práctica | 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 práctica consistirá en dos ítems: un entregable de prácticas (EP) y un examen de la parte práctica (EPP). La nota de la parte práctica será NP = 0.5 EP + 0.5 EPP.
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 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 del entregable y del examen 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
Grupos e idiomas de la asignatura
La información proporcionada es provisional hasta el 30 de noviembre de 2025. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
| Nombre | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (PLAB) Prácticas de laboratorio | 1 | Catalán | segundo cuatrimestre | tarde |
| (TE) Teoría | 1 | Catalán | segundo cuatrimestre | tarde |