Aprenentatge Computacional
Codi: 104403Crèdits: 6
| Titulació | Tipus | Curs |
|---|---|---|
| Matemàtica Computacional i Analítica de Dades | OB | 3 |
Professor/a de contacte
- Nom :
- Antonio Lozano Bagen
- Correu electrònic :
- antonio.lozano.bagen@uab.cat
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Es considera molt important un bon coneixement dels continguts de les assignatures cursades durant el primer curs com Probabilitat i Càlcul i de segon curs com Intel·ligència Artificial i Modelització i Inferència. Encara que alguna part teòrica dels continguts ja hagi estat tractada en aquelles assignatures des d'un punt de vista matemàtic, en aquesta assignatura es tractaran des d'un punt de vista computacional, és a dir, ens centrarem en la seva implementació en python i la seva aplicació en diversos casos reals.
Objectius
L'objectiu principal d'aquesta assignatura és proporcionar als estudiants una comprensió sòlida dels principis fonamentals de l'aprenentatge automàtic, amb èmfasi en els aspectes computacionals i algorísmics que permeten construir models a partir de conjunts de dades.
Coneixements:
- Descriure les tècniques bàsiques d’aprenentatge computacional.
- Enumerar els passos essencials dels diferents algorismes d’aprenentatge.
- Identificar els avantatges i inconvenients dels algorismes d’aprenentatge que s’expliquen.
- Resoldre problemes computacionals aplicant diferents tècniques d’aprenentatge per trobar la solució òptima.
- Entendre el resultat i les limitacions de les tècniques d’aprenentatge en diferents casos d’estudi.
- Saber escollir l’algorisme d’aprenentatge més adequat per solucionar problemes contextualitzats.
Habilitats:
- Reconèixer les situacions en les quals l’aplicació d’algorismes d’aprenentatge computacional pot ser adient per solucionar un problema.
- Analitzar el problema a resoldre i dissenyar la solució òptima aplicant les tècniques apreses.
- Redactar documents tècnics relacionats amb l’anàlisi i la solució d’un problema.
- Programar els algorismes bàsics per solucionar els problemes proposats.
- Avaluar els resultats de la solució implementada i valorar les possibles millores.
- Defensar i argumentar les decisions preses en la solució dels problemes proposats.
Resultats d'aprenentatge
- CM22 (Aplicar les tècniques d’aprenentatge més adequades per a resoldre problemes computacionals en diferents casos d’estudi.) Aplicar les tècniques d’aprenentatge més adequades per a resoldre problemes computacionals en diferents casos d’estudi.
- CM23 (Avaluar els resultats i les limitacions de les tècniques d’aprenentatge més comunes.) Avaluar els resultats i les limitacions de les tècniques d’aprenentatge més comunes.
- CM24 (Aplicar els mecanismes d’aprenentatge profund basat en xarxes neuronals per a poder dissenyar l’arquitectura més adequada a un problema determinat, comprovant que no es vulneren els drets i deures fonamentals, ni els valors democràtics.) Aplicar els mecanismes d’aprenentatge profund basat en xarxes neuronals per a poder dissenyar l’arquitectura més adequada a un problema determinat, comprovant que no es vulneren els drets i deures fonamentals, ni els valors democràtics.
- KM20 (Identificar les tècniques de representació del coneixement humà.) Identificar les tècniques de representació del coneixement humà.
- KM21 (Definir solucions computacionals en múltiples dominis per a la presa de decisions basada en l’exploració d’alternatives, el raonament incert i la planificació de tasques.) Definir solucions computacionals en múltiples dominis per a la presa de decisions basada en l’exploració d’alternatives, el raonament incert i la planificació de tasques.
- SM19 (Desenvolupar esquemes de recerca òptims per a problemes diferents a partir de la representació i classificació del coneixement.) Desenvolupar esquemes de recerca òptims per a problemes diferents a partir de la representació i classificació del coneixement.
Continguts
- Introducció a l'aprenentatge automàtic
- Models lineals
- Aprenentatge estadístic
- Màquines de suport vectorial
- K-veïns més propers
- Naive Bayes
- Arbres de decisió
- Random Forest
- Gradient Boosting
- Mineria de textos
- Explicabilitat de models
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Desenvolupament de projecte | 67 | 2,68 | |
| Preparació d'exàmens | 30 | 1,2 | |
| Assistir a les classes teòriques i pràctiques | 49 | 1,96 |
La docència combinarà a classe lliçons teòriques per part del professorat i treball pràctic dels estudiants amb ordinador.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Teoria | 60% | 4 | 0,16 | CM22, CM23, KM20 |
| Pràctiques | 40% | 0 | 0 | CM22, CM23, CM24, KM20, KM21, SM19 |
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 = 0.6*NT + 0.4*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 de pràctiques es farà a través del desenvolupament d'un projecte, amb la possibilitat d'un examen de pràctiques per validar l'autoria del projecte (en cas de no validar l'autoria, la nota de pràctica NP serà 0).
- 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 NT = min(6, NER), on NER és la nota de l'examen de recuperació.
- És obligatori obtenir una nota igual o superior a 3,5 en cada un dels dos apartats (Teoria i Pràctica) per aprovar l'assignatura. 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 40% 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 (60%) i la nota de pràctiques (40%).
- S’aplicarà el mateix sistema de recuperació que per l’avaluació continuada.
Ús de la IA
En aquesta assignatura, es permet l'ús de tecnologies d'Intel·ligència Artificial (IA) com a part integrant del desenvolupament del treball, sempre que el resultat final reflecteixi una contribució significativa de l'estudiant en l'anàlisi i la reflexió personal. L'estudiant haurà d'identificar clarament quines parts han estat generades amb aquesta tecnologia, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l’activitat. La no transparència de l’ús de la IA es considerarà falta d'honestedat acadèmica i pot comportar una penalització en la nota de l'activitat, o sancions majors en casos de gravetat.
Bibliografia
- James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning with applications in Python (2nd ed.). Springer. https://www.statlearning.com/
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. https://hastie.su.domains/ElemStatLearn/
Programari
El programari necessari serà el llenguatge de programació Python amb l'entorn de programació Visual Studio Code i diferents llibreries necessaries per a anàlisi de dades com numpy o sklearn.
Grups i idiomes de l'assignatura
La informació proporcionada és provisional fins al 30 de novembre. 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
| Tipus de docència | Grup | Idioma | Semestre | Torn |
|---|---|---|---|---|
| (TE) Teoria | 1 | Català | primer quadrimestre | matí-mixt |
| (PLAB) Pràctiques de laboratori | 1 | Català | primer quadrimestre | matí-mixt |