Investigación Operativa
Código: 100125Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Matemáticas | OP | 4 |
Profesor/a de 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
Esta asignatura pretende introducir al alumno en el ámbito del Aprenendizaje Automático Supervisado, presentando diferentes metodologías y conceptos básicos.
Resultados de aprendizaje
- Utilizar eficazmente bibliografía y recursos electrónicos para obtener información.
- Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio.
- Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
- Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
- Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
- Adquirir el dominio y seguridad en el manejo de software científico específico para la resolución de problemas con datos reales y para realizar la simulación.
- Dominar los conceptos básicos de la teoría y ser capaz de combinarlos y utilizarlos para resolver problemas.
- Conocer rudimentos de logística y otros campos en los que se aplica la investigación operativa en el ámbito tecnológico e industrial.
- Encontrar modelos de la realidad científica o tecnológica relativa a un problema de toma de decisiones y expresarla con el lenguaje matemático de los problemas de optimización con programación dinámica o con colas estocásticas.
- Extraer conclusiones adecuadas a partir del resultado del modelo.
- Distinguir, de un problema, lo que es importante de cara a la construcción del modelo matemático y su resolución de lo que no lo es.
- Evaluar la dificultad de hacer un cálculo de probabilidades analítico en situaciones complejas y saber distinguir cuando se pueden realizar estos cálculos y cuando se debe recurrir a la simulación estocástica.
- Saber generar y manipular modelos de simulación de la realidad para establecer y comprobar hipótesis en el estudio de problemas o realidades más complejas.
- Demostrar de forma activa una elevada preocupación por la calidad en el momento de argumentar o hacer públicas las conclusiones de sus trabajos.
Contenidos
- Introducción al Aprendizaje Automático Supervisado
- Aprendizaje por Refuerzo
- 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)
- Sesgos y equidad en Aprendizaje Automático
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Sesiones de teoria | 50 | 2 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 |
| Estudio personal de la materia | 46 | 1,84 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 |
| Sesiones de prácticas | 30 | 1,2 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 |
La docencia combinará clases presenciales expositivas con actividades prácticas de resolución de problemas y trabajo con ordenador.
En todos los aspectos de las actividades de enseñanza/aprendizaje se harán los mejores esfuerzos por parte del profesorado y alumnado para evitar lenguaje y situaciones que puedan ser interpretados como sexistas.
Para conseguir una mejora continua en este tema, todo el mundo debe colaborar a poner de manifiesto las desviaciones que observe respecto de este objetivo.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Examen de recuperación | 75% | 3 | 0,12 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 |
| Examen de prácticas con ordenador (aula) | 15% | 3 | 0,12 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 |
| PAC1 (control de problemas) | 25% | 3 | 0,12 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 |
| Examen | 50% | 3 | 0,12 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 |
| PAC2. Entregas de problemas y ejercicios prácticos con ordenador (aula) | 10% | 12 | 0,48 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 |
Evaluación continua
La evaluación de la asignatura constará de cuatro partes: la nota de la PAC1 (control de problemas a mitad de semestre), las entregas realizadas en las sesiones de problemas y/o ejercicios prácticos con ordenador (PAC2), la nota del examen de prácticas con ordenador que se realizará en la última sesión de prácticas (Eprac) y la nota del examen de problemas (Ex).
La nota de la asignatura se calculará como
N = 0,25*PAC1 + 0,10*PAC2 + 0,15*Eprac + 0,50*Ex,
siempre que cada una de las calificaciones sea como mínimo de 3,5 sobre 10. En caso contrario, cualquier calificación inferior a 3,5 se computará como un 0 en el cálculo de N.
Si N ≥ 5, se considerará que la asignatura ha sido superada y la nota final (NF) será NF = N.
En caso contrario, el estudiante podrá realizar un examen de recuperación (ExRec), y la nota final se calculará como
NF = 0,75*ExRec + 0,10*PAC2 + 0,15*Eprac.
Por tanto, ni las entregas correspondientes a la PAC2 ni el examen de prácticas son recuperables.
El examen de recuperación no podrá utilizarse en ningún caso para mejorar la calificación de una asignatura ya superada.
Se considerará evaluable al estudiante que haya participado en al menos una actividad de evaluación. En caso contrario, constará en acta como No Evaluable.
Evaluación única
La evaluación de los estudiantes que se acojan a la modalidad de evaluación única se basará en la nota del examen final (75%) y en la nota de un examen de prácticas con ordenador (25%).
USO DE LA INTELIGENCIA ARTIFICIAL
En esta asignatura se permite el uso de tecnologías de Inteligencia Artificial (IA) exclusivamente para tareas de apoyo, tales como la búsqueda bibliográfica o de información, la corrección de textos o la realización de traducciones.
El estudiante deberá identificar claramente, cuando corresponda, qué partes de sus entregas han sido generadas con la ayuda de estas tecnologías, especificar las herramientas utilizadas e incluir una reflexión crítica sobre cómo han influido en el proceso y en el resultado final de la actividad.
La falta de transparencia en el uso de la IA en una actividad de evaluación se considerará una vulneración de la integridad académica y podrá comportar una penalización parcial o total en la calificación de la actividad, así como sanciones de mayor entidad en los casos más graves.
La realización de cualquier irregularidad en una actividad de evaluación (fraude académico, plagio o uso indebido de la Inteligencia Artificial, salvo que dicho uso esté expresamente autorizado en la guía docente) que pueda dar lugar a una alteración significativa de la calificación supondrá que dicha actividad sea calificada con un 0.
En caso de que la guía docente establezca que para superar la asignatura sea requisito imprescindible haber obtenido una calificación mínima en esa actividad de evaluación, o de que se detecten varias irregularidades en las actividades de evaluación de una misma asignatura, la calificación final de la asignatura será de 0.
Asimismo, podrá iniciarse un procedimiento disciplinario contra el estudiante que incurra en cualquiera de estas irregularidades.
Bibliografía
Bibliografía básica
James, G., Witten, D., Hastie, T. y Tibshirani, R. An Introduction to Statistical Learning: with Applications in R (y An Introduction to Statistical Learning: with Applications in Python). Disponible en la biblioteca de la universidad, tanto en formato impreso como en línea.
Bibliografía complementaria
- Géron, A. (2019, 2.ª ed.). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow.
- Hastie, T., Tibshirani, R. y Friedman, J. (2016, 2.ª ed.). 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.
- Mitchell, T. M. (1997). Machine Learning. McGraw-Hill Series in Computer Science: Artificial Intelligence.
- Sutton, R. S. y Barto, A. G. (2018, 2.ª ed.). Reinforcement Learning: An Introduction. Cambridge, MA: MIT Press.
- Barocas, S., Hardt, M. y Narayanan, A. (2019). Fairness and Machine Learning. Disponible en: https://fairmlbook.org/
Software
Se usarán Python y 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. 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