Avenços Metodològics
Codi: 104866Crèdits: 6
| Titulació | Tipus | Curs |
|---|---|---|
| Estadística Aplicada | OP | 4 |
Professor/a de contacte
- Nom :
- Víctor Navas Portella
- Correu electrònic :
- victor.navas@uab.cat
Equip docent
- Rosario Delgado De la Torre
- Amanda Fernandez Fontelo
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
- Les assignatures de primer curs, a més de Mètodes Numèrics i Optimització.
- Aprenentatge No Supervisat
- Aprenentatge Automàtic 1
- Aprenentatge Automàtic 2
- Modelització de Dades Complexes
Objectius
L’objectiu principal és capacitar l’estudiant per:
- Classificadors probabilístics: Avaluar i calibrar les probabilitats predites per models per a la presa de decisions, evitant reduir-les a una simple etiqueta (hard prediction).
- Advanced Deep Learning: Estendre l’ús de xarxes neuronals cap a dades no estructurades mitjançant mecanismes d’atenció i models generatius.
- Interpretabilitat: Dotar de transparència als models mitjançant tècniques d’explicabilitat i anàlisi de biaixos.
Resultats d'aprenentatge
- CM09 (Valorar l'adequació dels models amb la utilització i interpretació correcta d'indicadors i gràfics.) Valorar l'adequació dels models amb la utilització i interpretació correcta d'indicadors i gràfics.
- KM12 (Proporcionar les hipòtesis experimentals de la modelització, tenint en compte les implicacions tècniques i ètiques que s'hi relacionen.) Proporcionar les hipòtesis experimentals de la modelització, tenint en compte les implicacions tècniques i ètiques que s'hi relacionen.
- SM12 (Interpretar els resultats obtinguts per a formular conclusions sobre les hipòtesis experimentals.) Interpretar els resultats obtinguts per a formular conclusions sobre les hipòtesis experimentals.
- SM13 (Comparar el grau d'ajust entre diversos models estadístics.) Comparar el grau d'ajust entre diversos models estadístics.
- SM14 (Utilitzar gràfics de visualització de l'ajust i de l'adequació del model.) Utilitzar gràfics de visualització de l'ajust i de l'adequació del model.
Continguts
- Bloc 1. Fiabilitat i calibratge de classificadors probabilístics
- Bloc 2. Models avançats de Deep Learning
- Bloc 3. Interpretabilitat i explicabilitat en models de Machine Learning
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Activitats a l'aula | 6 | 0,24 | CM09, KM12, SM12, SM13, SM14 |
| Estudi | 96 | 3,84 | CM09, KM12, SM12, SM13, SM14 |
| Avaluació | 6 | 0,24 | CM09, KM12, SM12, SM13, SM14 |
| Classes Magistrals | 36 | 1,44 | CM09, KM12, SM12, SM13, SM14 |
El curs s'organitzarà en 3 mòduls clarament diferenciats de 14 hores cadascun.
La docència és mixta i combina:
- Sessions de Teoria: Lliçons magistrals sobre els fonaments amb alguns tips o demostracions pràctiques.
- Sessions de Problemes: Exercicis per a entendre i consolidar els coneixements introduïts a les sessions de teoria.
- Sessions de Pràctiques: Treball directe amb l’ordinador aplicant els conceptes.
Segons el bloc de l’assignatura s’utilitzaran els següents llenguatges de programació:x
- R
- Python
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Activitats d'Avaluació Continuada - Bloc 2 | 1/3 | 2 | 0,08 | CM09, KM12, SM12, SM13, SM14 |
| Activitats d'Avaluació Continuada - Bloc 1 | 1/3 | 2 | 0,08 | CM09, KM12, SM12, SM13, SM14 |
| Activitats d'Avaluació Continuada - Bloc 3 | 1/3 | 2 | 0,08 | CM09, KM12, SM12, SM13, SM14 |
Avaluació continuada
La nota final de l'assignatura s'obté a partir de l'avaluació de 3 blocs independents.
- Ponderació: Cada bloc té el mateix pes en la nota final (1/3 cadascun).
- Requisit per aprovar: Per aprovar l'assignatura per avaluació continuada, és imprescindible que:
La nota mitjana dels blocs sigui igual o superior a 5.0.
Que almenys dos blocs tinguin una nota igual o superior a 5.0 i que l'altre bloc tingui una nota superior o igual a 3.5.
- Recuperació: Si l'estudiant no compleix els requisits per aprovar, l'estudiant té dret a presentar-se a la prova de recuperació d'aquells blocs amb nota inferior o igual a 5.
Avaluació única
L'estudiant avalua tot el contingut de l'assignatura en un únic examen final dividit en seccions corresponents a cada bloc.
- Ponderació: Cadascun dels 3 blocs té el mateix pes (1/3 cadascun) dins la nota de l'examen.
- Requisit per aprovar:
La nota mitjana de la prova d'avaluació ha de ser igual o superior a 5.0.
Que almenys dos dels blocs que constitueixen la prova tinguin una nota igual o superior a 5.0 i que l'altre bloc tingui una nota superior o igual a 3.5.
- Recuperació: Si l'estudiant no compleix els requisits per aprovar, l'estudiant té dret a presentar-se a la prova de recuperació d'aquells blocs amb nota inferior o igual a 5.
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.
La realització de qualsevol irregularitat en un acte d’avaluació (frau acadèmic, plagi o ús indegut de la IA, tret que aquest ús estigui autoritzat expressament a la guia docent), que pugui conduir a una variació significativa de la qualificació, suposa que aquest acte es qualificarà amb un 0. En cas que la guia docent prevegi que per superar l’assignatura sigui requisit imprescindible haver obtingut una nota mínima en aquest acte d’avaluació o que es produeixin diverses irregularitats en els actes d’avaluació d’una mateixa assignatura, la qualificació final d’aquesta assignatura és 0. Al marge d’això, es podrà instruir un procés disciplinari a l’estudiant que incorri en alguna d’aquestes irregularitats.
Bibliografia
- Gneiting, T., Raftery, A.E. (2007) Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association 102 (477), 359-378. https://sites.stat.washington.edu/raftery/Research/PDF/Gneiting2007jasa.pdf
- Niculescu-Mizil, A., Caruana, R. (2005) Predicting Good Probabilities with Supervised Learning. Proceedings of the 22nd International Conference on Machine Learning-ICML'05, Bonn, 7-11 August 2005, 625-632. https://doi.org/10.1145/1102351.1102430
- Guo, C., Pleiss, G., Sun, Y., Weinberger, K.Q. (2017). On Calibration of Modern Neural Networks. Proceedings of the 34th International Conference on Machine Learning, in Proceedings of Machine Learning Research 70:1321-1330 https://proceedings.mlr.press/v70/guo17a.html
- Prince, S. (2023) Understanding Deep Learning, https://udlbook.github.io/udlbook/
- Geron, A. (2019) Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow (O'Reilly)
- Friedman, J. H. (2001). Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 1189–1232. http://www.jstor.org/stable/2699986
- Goldstein, A., Kapelner, A., Bleich, J., & Pitkin, E. (2015). Peeking Inside the Black Box: Visualizing Statistical Learning With Plots of Individual Conditional Expectation. Journal of Computational and Graphical Statistics, 24(1), 44–65. https://doi.org/10.1080/10618600.2014.907095
- Daniel W. Apley, Jingyu Zhu, Visualizing the Effects of Predictor Variables in Black Box Supervised Learning Models, Journal of the Royal Statistical Society Series B: Statistical Methodology, Volume 82, Issue 4, September 2020, Pages 1059–1086, https://doi.org/10.1111/rssb.12377
- Ribeiro, M.T., Singh, S., and, Guestrin, C. (2016) Why Should I Trust You?: Explaining the Predictions of Any Classifier. Proceedingf of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Minin (KDD'16). Association for Computing Machinery, New York, NY, USA, 1135-1144, https://dl.acm.org/doi/10.1145/2939672.2939778
- Lundberg, S.M., and, Lee, S.I. (2017). a unified approach to interpreting model predictions. Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS'17). Curran Associates Inc., Red Hook, NY, USA, 4768-4777. https://dl.acm.org/doi/abs/10.5555/3295222.3295230
Programari
- R
- Python
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 | segon quadrimestre | tarda |
| (PLAB) Pràctiques de laboratori | 1 | Català | segon quadrimestre | tarda |