Aprendizaje Automático 2
Código: 104871Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Estadística Aplicada | OB | 3 |
Profesor/a de contacto
- Nombre :
- Víctor Navas Portella
- Correo electrónico :
- victor.navas@uab.cat
Equipo docente
- Laura Rodriguez Cima
- Roger Borras Amoraga
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
- Todas las asignaturas del primer curso
- Métodos Numéricos y Optimización
- InferenciaEstadística 2
- Aprendizaje No Superivsado
- Aprendizaje Automático 1
Objetivos
Aprender a nivel teórico y práctico las potencialidades del aprendizaje profundo para datos estructurados y también no estructurados.
Resultados de aprendizaje
- CM11 (Crear nuevos modelos de aprendizaje automático, ejecutando experimentos para demostrar su viabilidad y mejora de rendimiento con respecto al estado del arte.) Crear nuevos modelos de aprendizaje automático, ejecutando experimentos para demostrar su viabilidad y mejora de rendimiento con respecto al estado del arte.
- CM12 (Valorar la existencia de desigualdades por razón de género en las bases de datos, para evitar los sesgos en la toma de decisiones automática (algorítmica).) Valorar la existencia de desigualdades por razón de género en las bases de datos, para evitar los sesgos en la toma de decisiones automática (algorítmica).
- KM16 (Reconocer modelos de aprendizaje automático, supervisado y no supervisado, profundo y generativo, fomentando la innovación en el ámbito de la estadística.) Reconocer modelos de aprendizaje automático, supervisado y no supervisado, profundo y generativo, fomentando la innovación en el ámbito de la estadística.
Contenidos
Bloque 0: Breve historia de la Inteligencia Artificial (IA)
Bloque 1: Introducción y fundamentos de Deep Learning
- Contextualización del Deep Learning
- La neurona artificial
- Shallow networks
- Teorema de aproximación universal
- Deep networks
Bloque 2: Aprendizaje basado en redes neuronales
- Algoritmos de aprendizaje
- Algoritmo de backpropagation
- Inicialización de parámetros
- Evaluación de la performance
- Técnicas de regularización
Bloque 3: Soluciones de aprendizaje
- Datos no estructurados y embeddings
- Arquitecturas avanzadas
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Sesiones de teoria | 50 | 2 | CM12, KM16 |
| Estudio personal de la materia | 46 | 1,84 | |
| Sesiones de prácticas | 30 | 1,2 | CM11, CM12 |
La docencia combinará en clase lecciones por parte de los profesores y trabajo práctico de los estudiantes con ordenador.
En todos los aspectos de las actividades de enseñanza/aprendizaje se harán los mejores esfuerzos por parte de profesorado y alumnado para evitar lenguaje y situaciones que puedan ser interpretados como sexistas.
Para conseguiruna mejora continua en este tema, todo el mundo debe colaborar a poner de manifiesto las desviaciones que observe respecto de este objetivo.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Examen | 50% | 4 | 0,16 | CM11, CM12, KM16 |
| Parte Práctica | 50% | 20 | 0,8 | CM11, CM12, KM16 |
Evaluación continua
La evaluación de la asignatura tendrá dos partes: la parte de teoría, NT, y la parte de práctica, NP. La nota final de la asignatura será N = 0.5*NT + 0.5*NP.
- La evaluación de la parte de teoría consistirá en dos exámenes: un examen parcial, NEP, y un examen final, NEF. La nota final de la parte de teoría será NT = max(NEF, 0.4*NEP + 0.6*NEF), siempre y cuando NEF sea superior a 3,5, en caso contrario NT = NEF.
- La evaluación de la parte práctica consistirá en tres ítems: actividades en el aula (AA), un proyecto entregable de prácticas (PEP) y un examen de prácticas (EP). La nota de la parte práctica será NP = 0.1 AA + 0.4 PEP + 0.5 EPP.
En la fecha del examen de recuperación de la asignatura ser podrá recuperar solo la parte de teoría. En caso de que un/a alumno/a se presente al examen de recuperación, entonces la nota de teoría, NT será la nota del examen de recuperación.
Para que una actividad se tenga en cuenta en la nota final, es necesario haber obtenido como mínimo un 3,5. En caso de que NT o NP no superen el 3,5 entonces la nota final de la asignatura será N = min(NT, NP).
Se considerará evaluable aquella persona que haya presentado actividades por un total de al menos el 50% de la asignatura. En caso contrario constará en el acta como No Evaluable.
Evaluación Única
La evaluación para aquellas personas que se acojan a la modalidad de evaluación única se basará en la nota del examen final (50%) i la nota del entregable y del examen de prácticas (50%).
Uso de la Inteligencia Artificial (IA)
Para esta asignatura, se permite el uso de tecnologías de IA exclusivamente en tareas de soporte, tales como:
- La búsqueda bibliográfica.
- La corrección de códigos o textos y traducciones.7
El estudiante deberá:
- Identificar claramente qué partes han sido generadas con la ayuda de esta tecnología.
- Especificar las herramientas empleadas.
- Incluir una reflexión crítica sobre cómo estas herramientas han influido en el proceso y el resultado final de la actividad.
La falta de transparencia en el uso de la IA en actividades evaluables se considerará una falta de honestidad académica.
El profesorado se reserva el derecho de convocar a cualquier estudiante a una entrevista de validación sobre los contenidos y el proceso de elaboración de cualquier actividad de la asignatura.
El uso inapropiado o fraudulento de la IA podrá comportar una penalización parcial o total en la nota de la actividad, o sanciones más graves en casos de mayor gravedad.
Bibliografía
- 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)
Software
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 |