
Aprenentatge Automàtic 2
Codi: 104871Crèdits: 6
| 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.
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 |