Aprendizaje Automático 1
Código: 104870 Créditos ECTS: 6| Titulación | Tipo | Curso |
|---|---|---|
| Estadística Aplicada | OB | 3 |
Contacto
- Nombre:
- Rosario Delgado De la Torre
- Correo electrónico:
- rosario.delgado@uab.cat
Equipo docente
- Anabel Blasco Moreno
- David Moriña Soler
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Esta asignatura supone que el alumno ha obtenido los conocimientos que se imparten en diferentes asignaturas sobre los siguientes temas:
- Álgebra Lineal y Cálculo
- Probabilidad e Inferencia Estadística
- Herramientas Informáticas para la Estadística e Introducción a la Programació
- Modelos Lineales
Objetivos y contextualización
Esta asignatura pretende introducir al alumno en el ámbito del Aprenendizaje Automático Supervisado, presentando diferentes metodologías y conceptos básicos.
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
- Introducción al Aprendizaje Automático Supervisado
-
Máquinas de Vectores de Soporte
-
K-Vecinos más Cercanos
-
Árboles de Decisión y Bosques Aleatorios (Random Forests)
-
Validación, matrices de confusión y métricas de rendimiento (caso binario)
-
Otros temas: aprendizaje con costos, bases de datos desequilibradas, sesgos, cuestiones éticas, ...
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 |
|---|---|---|---|---|
| Entregas y trabajo práctico | 40% | 18 | 0,72 | CM11, CM12, KM16 |
| Examen | 40% | 3 | 0,12 | KM16 |
| PAC1 | 20% | 3 | 0,12 | KM16 |
Evaluación continua
La evaluación de la asignatura constará de tres partes: la nota PAC1 (control), la nota del examen Ex, y la parte de prácticas, NP. La nota de la asignatura será N = 0.2*PAC1 + 0.4*Ex + 0.4*NP, siempre y cuando cada nota por separado sea no inferior a 3,5 sobre 10, en cuyo caso se considera que es 0 en el cómputo de N.
Si N>=5, se considera superada la asignatura con nota final NF = N.
En caso contrario, el alumno puede realizar un examen de recuperación ExRec, de tal manera que su nota final será NF = 0.7*ExRec + 0.3*NP. Es decir, la nota de pràcticas, que NO es recuperable, tendrá un peso del 30% en la nota final.
El examen de recuperación en ningún caso sirve para subir nota cuando ya se ha superado la asignatura.
Se considerará evaluable aquella persona que se haya presentado a alguna actividad evaluable. 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 (60%) y la nota de un trabajo de prácticas (40%).
Bibliografía
- 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.
Software
Se usarán Python i RStudio, que es un IDE (Entorno de Desarrollo Integrado) específicamente creado para el lenguaje de programación R.
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 | primer cuatrimestre | tarde |
| (PLAB) Prácticas de laboratorio | 2 | Catalán | primer cuatrimestre | tarde |
| (TE) Teoría | 1 | Catalán | primer cuatrimestre | tarde |