Aprendizaje Computacional
Código: 104403Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Matemática Computacional y Analítica de Datos | OB | 3 |
Profesor/a de contacto
- Nombre :
- Antonio Lozano Bagen
- Correo electrónico :
- antonio.lozano.bagen@uab.cat
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Se considera muy importante un buen conocimiento de los contenidos de las asignaturas cursadas durante el primer curso como Probabilidad y Cálculo y de segundo curso como Inteligencia Artificial y Modelización e Inferencia. Aunque alguna parte teórica de los contenidos ya haya sido tratada en aquellas asignaturas desde un punto de vista matemático, en esta asignatura nos centraremos en su implementación en python y su aplicación en varios casos reales.
Objetivos
El objetivo principal de esta asignatura es proporcionar a los estudiantes una comprensión sólida de los principios fundamentales del aprendizaje automático, con énfasis en los aspectos computacionales y algorítmicos que permiten construir modelos a partir de conjuntos de datos.
Conocimientos:
- Describir las técnicas básicas de aprendizaje computacional.
- Enumerar los pasos esenciales de los diferentes algoritmos de aprendizaje.
- Identificar las ventajas e inconvenientes de los algoritmos de aprendizaje que se explican.
- Resolver problemas computacionales aplicando diferentes técnicas de aprendizaje para encontrar la solución óptima.
- Entender el resultado y las limitaciones de las técnicas de aprendizaje en diferentes casos de estudio.
- Saber escoger el algoritmo de aprendizaje más adecuado para solucionar problemas contextualizados.
Habilidades:
- Reconocer las situaciones en las que la aplicación de algoritmos de aprendizaje computacional puede ser adecuado para solucionar un problema.
- Analizar el problema a resolver y diseñar la solución óptima aplicando las técnicas aprendidas.
- Redactar documentos técnicos relacionados con el análisis y la solución de un problema.
- Programar los algoritmos básicos para solucionar los problemas propuestos.
- Evaluar los resultados de la solución implementada y valorar las posibles mejoras.
- Defender y argumentar las decisiones tomadas en la solución de los problemas propuestos.
Resultados de aprendizaje
- CM22 (Aplicar las técnicas de aprendizaje más adecuadas para resolver problemas computacionales en diferentes casos de estudio.) Aplicar las técnicas de aprendizaje más adecuadas para resolver problemas computacionales en diferentes casos de estudio.
- CM23 (Evaluar los resultados y limitaciones de las técnicas de aprendizaje más comunes) Evaluar los resultados y limitaciones de las técnicas de aprendizaje más comunes
- CM24 (Aplicar los mecanismos de aprendizaje profundo basado en redes neuronales para poder diseñar la arquitectura más adecuada a un problema determinado comprobando la no vulneración de los derechos y deberes fundamentales, ni de los valores democráticos.) Aplicar los mecanismos de aprendizaje profundo basado en redes neuronales para poder diseñar la arquitectura más adecuada a un problema determinado comprobando la no vulneración de los derechos y deberes fundamentales, ni de los valores democráticos.
- KM20 (Identificar las técnicas de representación del conocimiento humano.) Identificar las técnicas de representación del conocimiento humano.
- KM21 (Definir soluciones computacionales en múltiples dominios para la toma de decisiones basada en la exploración de alternativas, el razonamiento incierto y la planificación de tareas.) Definir soluciones computacionales en múltiples dominios para la toma de decisiones basada en la exploración de alternativas, el razonamiento incierto y la planificación de tareas.
- SM19 (Desarrollar esquemas de búsqueda óptimos para diferentes problemas a partir de la representación y clasificación del conocimiento.) Desarrollar esquemas de búsqueda óptimos para diferentes problemas a partir de la representación y clasificación del conocimiento.
Contenidos
- Introducción al aprendizaje automático
- Modelos lineales
- Aprendizaje estadístico
- Máquinas de soporte vectorial
- K-vecinos más cercanos
- Naive Bayes
- Árboles de decisión
- Random Forest
- Gradient Boosting
- Minería de textos
- Explicabilidad de modelos
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Desarrollo de proyecto | 67 | 2,68 | |
| Preparación de exámenes | 30 | 1,2 | |
| Asistir a las clases teóricas y prácticas | 49 | 1,96 |
La docencia combinará en clase lecciones teóricas por parte del profesorado y trabajo práctico de los estudiantes con ordenador.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Teoria | 60% | 4 | 0,16 | CM22, CM23, KM20 |
| Prácticas | 40% | 0 | 0 | CM22, CM23, CM24, KM20, KM21, SM19 |
Evaluación continua
- La evaluación de la asignatura tendrá dos partes: la parte de teoría, NT, y la parte de prácticas, NP. La nota final de la asignatura será N = 0.6*NT + 0.4*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 de prácticas se realizará a través del desarrollo de un proyecto, con la posibilidad de un examen de prácticas para validar la autoría del proyecto (en caso de no validar la autoría, la nota de prácticas NP será 0).
- En la fecha del examen de recuperación de la asignatura solo se podrá recuperar la parte de teoría. En caso de que un/una estudiante se presente al examen de recuperación, entonces la nota de teoría, NT, será NT = min(6, NER), donde NER es la nota del examen de recuperación.
- Es obligatorio obtener una nota igual o superior a 3,5 en cada uno de los dos apartados (Teoría y Prácticas) para aprobar la asignatura. 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 al estudiante que haya presentado actividades por un total de al menos el 40% de la asignatura. En caso contrario constará en el acta como No Evaluable.
Evaluación Única
- La evaluación para el alumnado que se haya acogido a la modalidad de evaluación única se basará en la nota del examen final (60%) y la nota de prácticas (40%).
- Se aplicará el mismo sistema de recuperación que para la evaluación continua.
Uso de la IA
En esta asignatura, se permite el uso de tecnologías de Inteligencia Artificial (IA) como parte integrante del desarrollo del trabajo, siempre que el resultado final refleje una contribución significativa del estudiante en el análisis y la reflexión personal. El estudiante deberá identificar claramente qué partes han sido generadas con esta tecnología, especificar las herramientas empleadas e incluir una reflexión crítica sobre cómo estas han influido en el proceso y el resultado final de la actividad. La falta de transparencia en el uso de la IA se considerará falta de honestidad académica y puede comportar una penalización en la nota de la actividad, o sanciones mayores en casos de gravedad.
Bibliografía
- 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/
Software
El software necesario será el lenguaje de programación Python con el entorno de programación Visual Studio Code y diferentes librerías necesarias para análisis de datos como numpy o sklearn.
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
| Tipo de docencia | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (TE) Teoría | 1 | Catalán | primer cuatrimestre | manaña-mixto |
| (PLAB) Prácticas de laboratorio | 1 | Catalán | primer cuatrimestre | manaña-mixto |