
Aprenentatge Automàtic 1
Codi: 104870Crèdits: 6
| Titulació | Tipus | Curs |
|---|---|---|
| Estadística Aplicada | OB | 3 |
Professor/a de contacte
- Nom :
- Rosario Delgado De la Torre
- Correu electrònic :
- rosario.delgado@uab.cat
Equip docent
- David Moriña Soler
- Anabel Blasco Moreno
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Aquesta assignatura suposa que l'alumne ha assolit els coneixements que s'imparteixen en diferents assignatures sobre els següents temes:
- Àlgebra lineal i Càlcul
- Probabilitat i Inferència Estadística
- Eines Informàtiques per a l'Estadística i Introducció a la Programació
- Models lineals.
Objectius
Aquesta assignatura pretén introduir l'alumne en l'àmbit de l'Aprenentatge Automàtic Supervisat, presentant diferents metodologies i conceptes bàsics.
Resultats d'aprenentatge
- CM11 (Crear nous models d'aprenentatge automàtic, executant experiments per a demostrar-ne la viabilitat i millora del rendiment respecte a l'estat de l'art.) Crear nous models d'aprenentatge automàtic, executant experiments per a demostrar-ne la viabilitat i millora del rendiment respecte a l'estat de l'art.
- CM12 (Valorar l'existència de desigualtats per raó de gènere en les bases de dades, per a evitar els biaixos en la presa de decisions automàtica (algorísmica).) Valorar l'existència de desigualtats per raó de gènere en les bases de dades, per a evitar els biaixos en la presa de decisions automàtica (algorísmica).
- KM16 (Reconèixer models d'aprenentatge automàtic, supervisat i no supervisat, profund i generatiu, fomentant la innovació en l'àmbit de l'estadística.) Reconèixer models d'aprenentatge automàtic, supervisat i no supervisat, profund i generatiu, fomentant la innovació en l'àmbit de l'estadística.
Continguts
- Introducció a l'Aprenentatge Automàtic Supervisat.
- Aprenentatge per Reforç
- Màquines de suport vectorial.
- K-veïns més propers.
- Arbres de decisió i Random Forests.
- Validació, matrius de confusió i mètriques de comportament (cas binari).
- Biaixos i equitat en Aprenentatge Automàtic
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Sessions de teoria | 50 | 2 | |
| Sessions de pràctiques | 30 | 1,2 | |
| Estudi personal de la matèria | 46 | 1,84 |
A les classes presencials, la docència combinarà lliçons per part dels professors, i resolució de problemes i d'exercicis pràctics amb ordinador per part dels alumnes.
En tots els aspectes de les activitats d'ensenyament/aprenentatge es faran els millors esforços per part de professorat i alumnat per evitar llenguatge i situacions que puguin ser interpretats com a sexistes.
Per tal d'aconseguir una millora contínua en aquest tema, tothom ha de col.laborar a posar de manifest les desviacions que observi respecte d'aquest objectiu.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| PAC2. Entregues de problemes i exercicis pràctics amb ordinador (aula) | 10% | 12 | 0,48 | CM11, CM12, KM16 |
| Examen de pràctiques amb ordinador (aula) | 15% | 3 | 0,12 | CM11, CM12, KM16 |
| Examen | 50% | 3 | 0,12 | CM12, KM16 |
| Examen de recuperació | 75% | 3 | 0,12 | CM12, KM16 |
| PAC1 (control de problemes) | 25% | 3 | 0,12 | KM16 |
Avaluació continua
L’avaluació de l’assignatura constarà de quatre parts: la nota PAC1 (control de problemes a mig semestre), les entregues fetes a l'aula de problemes i/o exercicis pràctics amb ordinador PAC2, la nota de l'examen de pràctiques amb ordinador que es farà la darrera sessió de pràctiques Eprac, i la nota de l’examen de problemes Ex. La nota de l’assignatura serà N = 0,25*PAC1 + 0,1*PAC2 + 0,15*Eprac + 0,5*Ex, sempre que cadascuna de les notes sigui com a mínim de 3,5 sobre 10. En cas contrari, es considerarà que aquella nota és un 0 en el còmput de N.
Si N ≥ 5, s’entendrà que l’assignatura està superada amb una nota final NF = N.
En cas contrari, l’alumne pot fer un examen de recuperació ExRec, i la seva nota final serà NF = 0,75*ExRec + 0,1*PAC2 + 0,15*Eprac. És a dir, la nota de les entregues PAC2 i l'examen de pràctiques NO són recuperables.
L’examen de recuperació en cap cas serveix per pujar nota quan l’assignatura ja ha estat superada.
Es considerarà avaluable l’alumne que s’hagi presentat a alguna activitat avaluable. En cas contrari, constarà a l’acta com a No Avaluable.
Avaluació única
L’avaluació per a les persones que s’acullin a la modalitat d’avaluació única es basarà en la nota de l’examen final (75%) i en la nota d’un examen de pràctiques amb ordinador (25%).
ÚS DE L'IA: Per a aquesta assignatura, es permet l'ús de tecnologies d'Intel·ligència Artificial (IA)
exclusivament en tasques de suport, com la cerca bibliogràfica o d'informació, la correcció de textos o les
traduccions. L'estudiant haurà d'identificar clarament, si s'escau, quines parts dels seus lliuraments 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 en aquesta activitat
avaluable es considerarà falta d'honestedat acadèmica i pot comportar una penalització parcial o total 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
Bibliografia bàsica: "An introduction to Statistical Learning" (with applications in R and with applications in Python), James, Witten, Hastie i Tibshirani. Es troba a la biblioteca, tant en paper com on-line.
Bibliografia complementària:
- Géron, A. (2019, 2a edició) Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow.
- Hastie, T. et al (2016, 2a edició) 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. (1997) Machine Learning. McGraw-Hill series in computer science. Artificial intelligence.
- Sutton, R.S., Barto, A.G. (2018, 2a edició) Reinforcement Learning. Cambridge, Massachusetts: The MIT Press.
- Barocas, S., Hardt, M., Narayanan, A. (2019) Fairness and Machine Learning (https://fairmlbook.org/)
Programari
S'utilitzaran Python i RStudio, que és un IDE (Entorn de Desenvolupament Integrat) específicament creat per al llenguatge de programació R.
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 | tarda |
| (PLAB) Pràctiques de laboratori | 1 | Català | primer quadrimestre | tarda |
| (PLAB) Pràctiques de laboratori | 2 | Català | primer quadrimestre | tarda |