Logo

Aprenentatge Automàtic 2

Codi: 104871
Crèdits: 6
2026/2027
Titulació Tipus Curs
Estadística Aplicada OB 3

Professor/a de contacte

Nom :
Víctor Navas Portella
Correu electrònic :
victor.navas@uab.cat

Equip docent

Laura Rodriguez Cima
Roger Borras Amoraga

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

  • Totes les assignatures de primer curs
  • Mètodes Numèrics i Optimització
  • Inferència Estadística 2
  • Aprenentatge no supervisat
  • Aprenentatge Automàtic 1

Objectius

Aprendre a nivell teòric i pràctic els potencials de l'aprenentatge profund per a dades estructurades i també no estructurades.

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

Bloc 0: Breu història de la Intel·ligència Artificial (IA)


Bloc 1: Introducció i fonaments de Deep Learning

  • Contextualització del Deep Learning
  • La neurona artificial
  • Shallow networks
  • Teorema d'aproximació universal
  • Deep networks


Bloc 2: Aprenentatge basat en xarxes neuronals

  • Algoritmes d'aprenentatge
  • Algoritme de backpropagation
  • Inicialització de paràmetres
  • Avaluació de la performance
  • Tècniques de regularització


Bloc 3: Solucions d'aprenentatge

  • Dades no estructurades i embeddings
  • Arquitectures avançades





Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Sessions de teoria 50 2 CM12, KM16
Estudi personal de la matèria 46 1,84
Sessions de pràctiques 30 1,2 CM11, CM12

La docència combinarà a classe lliçons per part del professors i treball pràctic dels estudiants amb ordinador.

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.

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè l'alumnat completi les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.

Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Examen 50% 4 0,16 CM11, CM12, KM16
Part pràctica 50% 20 0,8 CM11, CM12, KM16

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 = 0.5*NT + 0.5*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, 0.4*NEP + 0.6*NEF), sempre i quan NEF sigui superior a 3,5, en cas contrari NT = NEF.
  • L'avaluació de la part pràctica consistirà en tres ítems: activitats a l'aula (AA), un projecte entregable de pràctiques (PEP), un examen de pràctiques (EP). La nota de la part pràctica serà NP = 0.1 AA+ 0.4 PEP + 0.5 EP.


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 la nota de l'examen de recuperació.


Per a que una activitat es tingui en compte a la nota final, cal haver tret un mínim de 3,5. 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 50% 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 (50%) i la nota del projecte entregable i l'examen de pràctiques (50%).



Ús de la Intel·ligència Artificial (IA)


Per a aquesta assignatura, es permet l'ús de tecnologies d'IA exclusivament en tasques de suport, com ara:

  • La cerca bibliogràfica
  • La correcció de codis o textos i traduccions


L’estudiant haurà de:

  • Identificar clarament quines parts han estat generades amb l'ajuda d'aquesta tecnologia,
  • Especificar les eines emprades,
  • Incloure una reflexió crítica sobre com aquestes eines han influït en el procés i el resultat final de l’activitat.


La manca de transparència en l’ús de la IA en activitats avaluables es considerarà una falta d’honestedat acadèmica.


El professorat es reserva el dret de convocar qualsevol estudiant a una entrevista de validació sobre els continguts i el procés d’elaboració de qualsevol activitat de l'assignatura.


L'ús inapropiat o fraudulent de la IA podrà comportar una penalització parcial o total en la nota de l’activitat, o sancions més greus en casos de major gravetat.


Bibliografia

  • Prince, S. (2023) Understanding Deep Learning
  • Geron, A. (2019) Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow (O'Reilly)
  • Goodfellow, I. et al (2016) Deep Learning (MIT Press)
  • Chollet, F. (2017) Deep Learning with Python (Manning)

Programari

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