Avís important
La guia docent és provisional.
La versió en PDF de la guia docent pot tardar uns dies en estar disponible al DDD.
Aprenentatge Automàtic i Intel·ligència Artificial: Aplicació en el Descobriment de Materials
Codi: 45737Crèdits: 3
| Titulació | Tipus | Curs |
|---|---|---|
| Nanociència Aplicada: de Materials a Dispositius / Applied Nanoscience: From Materials to Devices | OP | 1 |
Professor/a de contacte
- Nom :
- Marta Gonzalez Silveira
- Correu electrònic :
- marta.gonzalez@uab.cat
Equip docent
- Manel del Valle Zafra
Equip docent (extern a la UAB)
- Andrés Henao Aristizábal
Idiomes dels grups
Podeu consultar aquesta informació al final del document.
Prerequisits
Objectius
El present curs té com a objectius:
- Introduir els estudiants a l'aprenentatge automàtic per a la modelització de les propietats dels nanomaterials
- Familiaritzar-se amb l'anàlisi, la visualització i la modelització de dades de bases de dades de nanomaterials
- Introduir conceptes de mineria de dades i intel·ligència artificial en el context del descobriment de nous nanomaterials i la predicció de les seves propietats
Resultats d'aprenentatge
- CA17 (Validar el reconeixement de patrons, supervisat i no-supervisat, en el processament i l’anàlisi d’imatges.) Validar el reconeixement de patrons, supervisat i no-supervisat, en el processament i l’anàlisi d’imatges.
- KA15 (Reconèixer les eines apropiades en la determinació de propietats de nanomaterials funcionals.) Reconèixer les eines apropiades en la determinació de propietats de nanomaterials funcionals.
- KA16 (Identificar l’ús d’enfocaments genèrics no supervisats en la determinació de paràmetres específics dels nanomaterials.) Identificar l’ús d’enfocaments genèrics no supervisats en la determinació de paràmetres específics dels nanomaterials.
- SA19 (Fer servir eines estàndard d’aprenentatge automàtic en la implantació d’un model de regressió múltiple per a diferents quantitats que permeti generar paràmetres per a diferents tipus de nanomaterials.) Fer servir eines estàndard d’aprenentatge automàtic en la implantació d’un model de regressió múltiple per a diferents quantitats que permeti generar paràmetres per a diferents tipus de nanomaterials.
- SA20 (Analitzar grans volums de dades de materials amb diferents bases de dades.) Analitzar grans volums de dades de materials amb diferents bases de dades.
- SA21 (Interpretar les capacitats de les tècniques d’aprenentatge automàtic i les seves limitacions fonamentals en funció dels termes que incorpora el model.) Interpretar les capacitats de les tècniques d’aprenentatge automàtic i les seves limitacions fonamentals en funció dels termes que incorpora el model.
Continguts
El temari de l'assignatura està subdividit en les lliçons:
- Introducció a l'aprenentatge automàtic per a la nanociència i els nanomaterials.
- Eines per a la predicció de les propietats dels materials. Algoritmes de regressió multivariant. QSAR.
- Reconeixement de patrons: aprenentatge no supervisat per a la classificació de materials. Anàlisi de components principals. K-means.
- Aprenentatge supervisat. Algoritmes de classificació. Arbres de decisió i bases de dades i visualització. Ús d'API de Python per a la mineria de dades.
- Ús de la base de dades Computational 2D Materials (C2DB).
- La base de dades del projecte Materials. Eines d'anàlisi per inspirar i dissenyar nous materials.
- La base de dades Jarvis. Una infraestructura dissenyada per automatitzar el descobriment i l'optimització de materials.
- Optimització i interpretació dels models obtinguts. Ajust d'hiperparàmetres i exploració dels factors d'influència mitjançant SHAP.
Activitats formatives i Metodologia
| Títol | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|
| Lliurament colaboratiu del cas d'estudi final | 25 | 1 | CA17, SA20, SA21 |
| Lliçons teòriques | 8 | 0,32 | KA15, SA21 |
| Sessions de problemes i pràctiques | 10 | 0,4 | CA17, KA16, SA19, SA20 |
| Lliuraments individuals de casos pràctics | 30 | 1,2 | CA17, KA15, KA16, SA19, SA20 |
Els continguts de l'assignatura s'impartiran mitjançant presentacions a càrrec del professorat i sessions pràctiques a l'aula d'informàtica de la Facultat de Ciències, sota la supervisió dels instructors. Les diapositives de les presentacions estaran disponibles a través de la pàgina Moodle del curs. Al llarg de l'assignatura, es realitzaran treballs individuals relacionats amb el descobriment de materials i la predicció de característiques i propietats específiques —basats en una llista de casos d'estudi d'accés públic—, fet que permetrà a l'estudiant aprofundir en l'especialitat. Es posarà un èmfasi especial en la pràctica de la mineria de dades a partir de bases de dades consolidades en el camp. Finalment, un cas d'estudi més complex, desenvolupat de manera col·laborativa (per exemple, en parelles), servirà per assolir una visió global i aplicar les competències adquirides.
Ús de la 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. En el cas que s'empri la IA, l'estudiant haurà d'identificar clarament quines parts 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 en l’ús de la IA en una activitat avaluable es considerarà falta d'honestedat acadèmica i podrà comportar una penalització parcial o total en la nota de l'activitat.
Avaluació
Activitats d'avaluació continuada
| Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
|---|---|---|---|---|
| Quizzes | 30% | 1 | 0,04 | CA17, KA15, KA16, SA19, SA21 |
| Lliuraments individuals | 30% | 0,75 | 0,03 | CA17, KA15, KA16, SA19, SA20, SA21 |
| Lliurament final | 40% | 0,25 | 0,01 | CA17, KA15, KA16, SA19, SA20, SA21 |
L'avaluació constarà dels components següents:
(i) Qüestionaris (preguntes de tipus test), utilitzant el campus virtual - això és per motivar els estudiants a repassar els conceptes (30%)
(ii) 3 treballs individuals (un per a cadascuna de les grans bases de dades indicades). Per lliurar a través del campus virtual (30%)
(iii) 1 treball final, de major abast, fet per parelles i que hauran de defensar oralment (40%).
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
Chris Albon, Machine learning with Python cookbook: practical solutions from preprocessing to deep learning
O’Reilly Media, 2018.
Eric Mathes, Python crash course : a hands-on, project-based introduction to programming.
No Starch Press, Inc., 2019.
Programari
Python (v.3.14) i les corresponents llibreries i APIs necessaries pel desenvolupament dels materials.
El programari per a la realització de l'assignatura estarà disponible en el aula informàtica de la Facultat de Ciències.
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 |
|---|---|---|---|---|
| (TEm) Teoria (màster) | 1 | Anglès | primer quadrimestre | tarda |