Avances Metodológicos
Código: 104866Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Estadística Aplicada | OP | 4 |
Profesor/a de contacto
- Nombre :
- Víctor Navas Portella
- Correo electrónico :
- victor.navas@uab.cat
Equipo docente
- Rosario Delgado De la Torre
- Amanda Fernandez Fontelo
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
- Las asignaturas de primer curso, además de Métodos Numéricos y Optimización.
- Aprendizaje No Supervisado
- Aprendizaje Automático 1
- Aprendizaje Automático 2
- Modelización de Datos Complejos
Objetivos
El objetivo principal es capacitar al estudiante para:
- Clasificadores probabilísticos: Evaluar y calibrar las probabilidades predichas por los modelos para la toma de decisiones, evitando reducirlas a una simple etiqueta (hard prediction).
- Advanced Deep Learning: Extender el uso de redes neuronales hacia datos no estructurados mediante mecanismos de atención y modelos generativos.
- Interpretabilidad: Dotar de transparencia a los modelos mediante técnicas de explicabilidad y análisis de sesgos.
Resultados de aprendizaje
- CM09 (Valorar la adecuación de los modelos con la utilización e interpretación correcta de indicadores y gráficos.) Valorar la adecuación de los modelos con la utilización e interpretación correcta de indicadores y gráficos.
- KM12 (Proporcionar las hipótesis experimentales de la modelización, teniendo en cuenta las implicaciones técnicas y éticas relacionadas.) Proporcionar las hipótesis experimentales de la modelización, teniendo en cuenta las implicaciones técnicas y éticas relacionadas.
- SM12 (Interpretar los resultados obtenidos para formular conclusiones respecto a las hipótesis experimentales) Interpretar los resultados obtenidos para formular conclusiones respecto a las hipótesis experimentales
- SM13 (Comparar el grado de ajuste entre diversos modelos estadísticos.) Comparar el grado de ajuste entre diversos modelos estadísticos.
- SM14 (Emplear gráficos de visualización del ajuste y de la adecuación del modelo.) Emplear gráficos de visualización del ajuste y de la adecuación del modelo.
Contenidos
- Bloque 1. Fiabilidad y calibración de clasificadores probabilísticos
- Bloque 2. Models avanzados de Deep Learning (Aprendizaje Profundo)
- Bloque 3. Interpretabilidad y explicabilidad en modelos de Machine Learning (Aprendizaje Automático)
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Actividades en el aula | 6 | 0,24 | CM09, KM12, SM12, SM13, SM14 |
| Estudio | 96 | 3,84 | CM09, KM12, SM12, SM13, SM14 |
| Evaluación | 6 | 0,24 | CM09, KM12, SM12, SM13, SM14 |
| Clases Magistrales | 36 | 1,44 | CM09, KM12, SM12, SM13, SM14 |
El curso se organizará en 3 módulos claramente diferenciados de 14 horas cada uno. La docencia combina:
- Sesiones de Teoría: Lecciones magistrales sobre los fundamentos con algunos apuntes o demostraciones prácticas.
- Sesiones de Problemas: Ejercicios para comprender y consolidar los conocimientos introducidos en las sesiones de teoría.
- Sesiones de Prácticas: Trabajo directo con el ordenador aplicando los conceptos.
Según el bloque de la asignatura se utilizarán los siguientes lenguajes de programación:
- R
- Python
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Activitats d'Avaluació Continuada - Bloc 2 | 1/3 | 2 | 0,08 | CM09, KM12, SM12, SM13, SM14 |
| Activitades de Evaluación Continuada - Bloc 1 | 1/3 | 2 | 0,08 | CM09, KM12, SM12, SM13, SM14 |
| Activitades de Evaluación Continuada - Bloque 3 | 1/3 | 2 | 0,08 | CM09, KM12, SM12, SM13, SM14 |
Evaluación Continuada
La nota final de la asignatura se obtiene a partir de la evaluación de 3 bloques independientes.
- Ponderación: Cada bloque tiene el mismo peso en la nota final (1/3 cada uno).
- Requisito para aprobar: Para aprobar la asignatura por evaluación continuada, es imprescindible que:
La nota media de los bloques sea igual o superior a 5.0.
Al menos dos bloques tengan una nota igual o superior a 5.0 y que el otro bloque tenga una nota superior o igual a 3.5.
- Recuperación: Si el estudiante no cumple con los requisitos para aprobar, tiene derecho a presentarse a la prueba de recuperación de aquellos bloques con una nota inferior o igual a 5.
Evaluación Única
El estudiante evalúa todo el contenido de la asignatura en un único examen final dividido en secciones correspondientes a cada bloque.
- Ponderación: Cada uno de los 3 bloques tiene el mismo peso (1/3 cada uno) dentro de la nota del examen.
- Requisito para aprobar:
La nota media de la prueba de evaluación debe ser igual o superior a 5.0.
Al menos dos de los bloques que constituyen la prueba deben tener una nota igual o superior a 5.0 y el otro bloque debe tener una nota superior o igual a 3.5.
- Recuperación: Si el estudiante no cumple con los requisitos para aprobar, tiene derecho a presentarse a la prueba de recuperación de aquellos bloques con una nota inferior o igual a 5.
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 una falta de honestidad académica y puede comportar una penalización en la nota de la actividad, o sanciones mayores en casos de gravedad.
La realización de cualquier irregularidad en un acto de evaluación (fraude académico, plagio o uso indebido de la IA, a menos que dicho uso esté expresamente autorizado en la guía docente) que pueda conducir a una variación significativa de la calificación, supondrá que dicho acto se calificará con un 0. En caso de que la guía docente prevea que para superar la asignatura sea requisito imprescindible haber obtenido una nota mínima en dicho acto de evaluación, o bien que se produzcan diversas irregularidades en los actos de evaluación de una misma asignatura, la calificación final de la asignatura será 0. Al margen de esto, se podrá instruir un proceso disciplinario al estudiante que incurra en alguna de estas irregularidades.
Bibliografía
- 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
Software
- R
- Python
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 | segundo cuatrimestre | tarde |
| (PLAB) Prácticas de laboratorio | 1 | Catalán | segundo cuatrimestre | tarde |