Pla docent de l'assignatura

 

 

Tanca imatge de maquetació

 

Imprimeix

 

Dades generals

 

Nom de l'assignatura: Aprenentatge Automàtic

Codi de l'assignatura: 365828

Curs acadèmic: 2021-2022

Coordinació: Santiago Segui Mesquida

Departament: Departament de Matemàtiques i Informàtica

crèdits: 6

Programa únic: S

 

 

Hores estimades de dedicació

Hores totals 150

 

Activitats presencials i/o no presencials

60

 

-  Teoria

Presencial

 

30

 

-  Pràctiques de laboratori

Presencial

 

30

Treball tutelat/dirigit

30

Aprenentatge autònom

60

 

 

Recomanacions

 

Es recomana haver cursat Probabilitats i Estadística.

 

 

Competències que es desenvolupen

 

   -

3T-TRANSV. Capacitat de treballar autònomament i de prendre decisions.

   -

2T-TRANSV. Capacitat per reunir i interpretar dades rellevants per emetre judicis que incloguin una reflexió sobre temes importants relacionats amb la informàtica.

   -

1T-TRANSV. Capacitat per aplicar els coneixements adquirits per elaborar i defensar arguments, i per resoldre problemes relacionats amb la informàtica.

   -

7ESP - TECNOLOGIA ESPECÍFICA: COMPUTACIÓ. Capacitat per conèixer i desenvolupar tècniques d'aprenentatge computacional, i dissenyar i implementar aplicacions i sistemes que les utilitzin, incloses les dedicades a l'extracció automàtica d'informació i coneixement a partir de grans volums de dades.

Objectius d'aprenentatge

 

Referits a coneixements

— Conèixer els procediments i mètodes que permeten detectar i aïllar informació important continguda en grans repositoris de dades o obtinguda d’altres fonts massives de dades, separar-ne el «soroll» inútil i organitzar la informació extreta. Aquests procediments reben el nom col·lectiu d’aprenentatge no supervisat.

 

— Conèixer mètodes d’aprenentatge supervisat, és a dir, aprenentatge a partir d’exemples d’un conjunt d’entrenament etiquetat.

 

— Conèixer un repertori de tècniques d’aprenentatge supervisat i no supervisat, d’ús corrent en les aplicacions.

 

— Conèixer els principis en què es basen les tècniques d’aprenentatge més freqüents i bàsiques.

 

— Tenir un contacte pràctic amb els algorismes més emprats per aquests mètodes mitjançant prototips elaborats en els entorns de programació adequats.

 

 

Blocs temàtics

 

1. Introducció

2. Regressió lineal

3. Mètodes de classificació

4. Mètodes de mostreig

5. Boosting-Bagging-Ensembles

6. Selecció de característiques i regularització de models

7. Models no lineals

8. Models basats en arbres

9. Màquines de vectors de suport

10. Mètodes d’aprenentatge supervisat

11. Mètodes d’aprenentatge no supervisat

12. Xarxes neuronals

 

 

Metodologia i activitats formatives

 

Les sessions presencials de l’assignatura són classes de teoria i problemes en una aula convencional (una sessió setmanal de dues hores), i pràctiques de laboratori (una sessió setmanal de dues hores).

Les classes a l’aula convencional es dediquen a exposar el temari de l’assignatura. Aquesta exposició té un caràcter pràctic. Quan cal, s’intercala la resolució de problemes a l’aula amb la participació activa de l’alumnat per resoldre dubtes. Les classes teòriques tenen activitats avaluables al llarg del curs consistents a lliurar exercicis elaborats o iniciats dins de la sessió. Els lliuraments es fan a través de la pàgina de l’assignatura al Campus Virtual.

Les pràctiques de laboratori es duen a terme a l’aula d’ordinadors. L’alumnat resol problemes principalment mitjançant el llenguatge de programació R o Python. Les classes pràctiques tenen activitats avaluables al llarg del curs consistents a lliurar pràctiques elaborades o iniciades dins de la sessió. Els lliuraments es fan a través de la pàgina de l’assignatura al Campus Virtual.

Durant el semestre s’administren dues o tres enquestes a fi de conèixer l’opinió dels estudiants sobre diversos aspectes de l’activitat acadèmica (càrrega temporal de l’assignatura, dificultat, suggeriments i recomanacions).

 

En la mesura que sigui possible s’incorporarà la perspectiva de gènere en el desenvolupament de l’assignatura.

 

 

Avaluació acreditativa dels aprenentatges

 

La part de teoria i problemes (NT) s’avalua mitjançant la realització d’un conjunt (entre 2 i 4) de projectes. Cada projecte té establert un pes en la nota final de l’assignatura. Anomenem NPT a la mitjana ponderada de les notes obtingudes en els projectes.

Hi ha un examen final de teoria, obligatori per a l’alumnat que no assoleixi la nota mínima (entre 3 i 4) en els projectes realitzats o que no hagi entregat totes les tasques. Anomenem NET la nota obtinguda en aquest examen.

La nota de la part de teoria (NT) és igual a NPT (mitjana ponderada dels projectes) si no hi ha nota de l’examen final, i si n’hi ha, es calcula mitjançant la fórmula següent: NP =  0,5*NPT + 0,5 * NET.

La part de pràctiques de laboratori (NP) s’avalua mitjançant el seguiment de l’assistència a les sessions corresponents i el lliurament d’algunes (tres o quatre) tasques pràctiques. Aquestes tasques s’inicien durant la sessió presencial i es poden completar o passar a net individualment, i entregar-les uns dies més tard a través del Campus Virtual. Anomenem NCP la qualificació d’aquesta part.

Les qualificació NPC està condicionada al fet que el nombre de faltes d’assistència no justificades no superi el 20 % de les respectives sessions del curs.

Hi ha un examen final de pràctiques de laboratori, obligatori per a l’alumnat que no compleixi el mínim d’assistència o que no hagi entregat totes les tasques o tingui NCP < 4,5. Anomenem NEP la nota obtinguda en aquest examen.

La nota de la part de pràctiques de laboratori (NP) és igual a NCP si no hi ha nota de l’examen final, i si n’hi ha, es calcula mitjançant la fórmula següent: NP =  0,5*NPE + 0,5 * NPC.

La nota final de l’assignatura (Nota_Final) es calcula mitjançant la fórmula següent: Nota_Final =  a * NT + b* NP. 

on: 

a + b = 1;

0,35 < a < 0,65; 

0,35 < b < 0,65;

Per poder calcular la nota final és imprescindible haver obtingut una puntuació igual o superior a 4 en tots tres components.

Qualsevol intent de frau durant el curs comporta l’aplicació de la normativa acadèmica general de la Universitat de Barcelona i l’inici d’un procés disciplinari.

 

Reavaluació
Un alumne pot anar a l’examen de reavaluació si Nota_Final >= 3,5. La reavaluació consta d’un examen teòric (NRT) i un examen pràctic (NRP): Nota_Final = 0,5 * NRT + 0,5*NRP

 

Avaluació única

L’estudiant que es vulgui acollir a l’avaluació única ho ha de sol·licitar a la Secretaria de la Facultat dins del termini establert en cada curs acadèmic.
Hi ha un examen final de teoria i un examen final de pràctiques de laboratori. Anomenem NT i NP, respectivament, les notes obtingudes en aquests exàmens.

Es requereix la presentació oral i escrita d’un treball de curs. Anomenem NPTC la qualificació d’aquest treball.

La nota final de l’assignatura (Nota_Final) es calcula mitjançant la fórmula següent: Nota_Final = 0,5 * NPTC + 0,2 * NT + 0,3 * NP.

Per poder calcular la nota final és imprescindible una puntuació igual o superior a 3 en tots tres components.

Qualsevol intent de frau durant el curs comporta l’aplicació de la normativa acadèmica general de la Universitat de Barcelona i l’inici d’un procés disciplinari.

 

Reavaluació
Un alumne pot anar a l’examen de reavaluació si Nota_Final >= 3,5. La reavaluació consta d’un examen teòric (NRT) i un examen pràctic (NRP): Nota_Final = 0,5 * NRT + 0,5*NRP

 

 

Fonts d'informació bàsica

Consulteu la disponibilitat a CERCABIB

Llibre

Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow : concepts, tools, and techniques to build intelligent systems / Aurélien Géron

  2nd Edition. Updated for tensorflow 2

https://cataleg.ub.edu/search~S1*cat?/X(keras)&searchscope=1&SORT=D/X(keras)&searchscope=1&SORT=D&SUBKEY=(keras)/1%2C4%2C4%2CB/frameset&FF=X(keras)&searchscope=1&SORT=D&1%2C1%2C  Enllaç

Bishop, C. M. Pattern recognition and machine learning. New York : Springer, 2007.  

James, G. ; Witten, D.; Hastie, T. ; Tibshirani, R. An introduction to statistical learning: with applications in R. New York: Springer, 2013.  

Book by Jerome H. Friedman, Robert Tibshirani, and Trevor Hastie. The Elements of Statistical Learning. 2009