CB6 Tenir i comprendre coneixements que aportin una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context de recerca. CB7 Que els estudiants sàpiguen aplicar els coneixements adquirits i la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contextos més amplis relacionats amb la seva àrea d'estudi CB10 Que els estudiants tinguin les habilitats d'aprenentatge que els permetin continuar estudiant d'una manera que haurà de ser en gran mesura autodirigida o autònoma CG1Dissenyar propostes creatives CE6 Analitzar un problema de ciència de dades i identificar les tècniques i les eines apropiades per a resoldre'l CE7 Entendre, desenvolupar, modificar i aplicar de manera efectiva mètodes d'aprenentatge automàtic CE8 Quantificar la bondat dels resultats obtinguts mitjançant la tecnologia de la ciència de dades a través de mètriques adequades CE13 Entendre les dades a partir de visualitzacions adequades
1. Xarxes Neuronals. Repàs. 2. Xarxes Neuronals Convolucionals 3. Transfer Learning and Knowledge Distillation 4. Models seqüencials: Xarxes Neuronals Recurrents i Mecanismes d'Attention 5. Models Generatius 6. Paranys i explicabilitat del ML 7. Large Language Models 8. Graph Neuronal Networks 9. Reinforcement Learning 10. Models Recomanedors
Tipus d’activitat Hores amb professor Hores sense professor Hores virtuals amb professor Total Lectura / comentari de textos 0 50,00 0 50,00 Resolució d'exercicis 17,00 71,00 0 88,00 Sessió participativa 37,00 50,00 0 87,00 Total 54,00 171,00 0 225
Varis (2024). Apunts i articles proposat per cada professor. Varis,, Jigar Tewar (2023). Generative AI models 2023: Large language models (LLMs) (2023). Kindle Edition. Sinan Ozdemir (2023). Quick Start Guide to Large Language Models: Strategies and Best Practices for Using ChatGPT and Other LLMs . Addison-Wesley Professional. Shubham Saboo (2022). GPT-3: Building Innovative NLP Products Using Large Language Models. O'Reilly Media. I. Goodfellow, Y. Bengio, A. Courville (2016). Deep Learning. MIT Press. R. Shanmugamani (2018). Deep Learning for Computer Vision. Packt Publishing. D. Foster (2023). Generative Deep Learning, 2nd Edition. O'Reilly Media.
Activitats d'avaluació: Descripció de l'activitat Avaluació de l'activitat % Recuperable Exercici de Classificació d'imatges Presentació i correcció 16 No Exercici de Detecció i Classificació d'objectes Presentació i correcció 17 No Exercici de Generació d'imatges Presentació i correcció 17 No Implementació d'una GNN Presentació i correcció 15 No Resolució d'un problema mitjançant RL Presentació i correcció 15 No Exercisis de Models Recomenadors Presentació i correcció 5 No Pràctica amb LLM Presentació i correcció 10 No Assistència a classe de Paranys i explicabilitat del ML. Exercicis Presentació i correcció 5 No
Presentar totes les pràctiques i exercicis de l'assignatura. La suma ponderada de les parts avaluables ha de ser >= 5. Criteris específics de la nota «No Presentat»: No presentar cap pràctica ni exercici Avaluació única: Presentar totes les pràctiques i exercicis de l'assignatura. La suma ponderada de les parts avaluables ha de ser >= 5. Requisits mínims per aprovar: Per considerar superada l’assignatura, caldrà obtenir una qualificació mínima de 5.0