Anar al contingut (clic a Intro)
UdG Home UdG Home
Tancar
Menú

Estudia

Dades generals

Curs acadèmic:
2021
Descripció:
L'objectiu d'aquesta assignatura és aprofundir en el coneixement de l'aprenentatge automàtic estudiant diferents tècniques i aplicacions avançades de ciència de dades com les tècniques de Deep learning, Transfer learning, sistemes recomanadors i mineria de text.
Crèdits:
6

Grups

Grup A

Durada:
Semestral, 2n semestre
Professorat:
Esteban Fermin del Acebo Peña  / Xavier Llado Bardera  / Robert Marti Marly  / Marc Masias Moyset
Idioma de les classes:
Català (75%), Anglès (25%)

Competències

  • 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
  • CE1 Programar a un nivell avançat en els llenguatges i llibreries més utilitzades en la ciència de dades
  • 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

Continguts

1. Sistemes recomanadors

2. Mineria de text

3. Introducció al Deep Learning

4. Deep Learning

5. Convolutional Neural Networks

6. Transfer Learning i aprenentatge per reforç

Activitats

Tipus d’activitat Hores amb professor Hores sense professor Hores virtuals amb professor Total
Anàlisi / estudi de casos 0 22,00 4,00 26,00
Sessió expositiva 18,00 24,00 0 42,00
Sessió pràctica 18,00 52,00 8,00 78,00
Tutories individuals 0 0 4,00 4,00
Total 36,00 98,00 16,00 150

Bibliografia

  • J. Howard, S. Gugger (2020). Deep Learning for Coders with Fastai and PyTorch.. O'Reilly Media, Inc..
  • S. Skansi. (2018). Introduction to deep learning. From logical calculus to artificial intelligence.. Springer.
  • I. Goodfellow, Y. Bengio, A. Courville. (2016). Deep Learning.. MIT Press.
  • Charu C. Aggarwal. (2016). Recommender Systems: The Textbook.. Springer.
  • A. Kedia (2020). Hands-On Python Natural Language Processing.. Packt Publishing.

Avaluació i qualificació

Activitats d'avaluació:

Descripció de l'activitat Avaluació de l'activitat % Recuperable
Classes teòriques Es realitzarà una prova on s'avaluaran els coneixements adquirits durant el curs tant teòrics com pràctics 20 No
Sessions de pràctiques Es realitzarà una avaluació continua amb forma d'activitats i pràctiques que es faran al llarg del curs. Es valorarà la correcta realització de les pràctiques així com els informes i documents lliurats. 80

Qualificació

L'avaluació de l'assignatura tindrà dues parts: una avaluació continua amb forma d'activitats i pràctiques al llarg del curs, i una prova final on s'avaluaran els coneixements adquirits en tot el curs.

Criteris específics de la nota «No Presentat»:
La realització d'alguna de les activitats OBLIGATÒRIES comportarà l'avaluació final de l'assignatura, i per tant es considerarà com a presentat en la nota final.

Avaluació única:
L'avaluació única de l'assignatura consistirà en un examen final que inclourà els diferents blocs de l'assignatura.

Hi haurà l’opció de fer recuperació d’aquesta prova d’avaluació única sempre que l’estudiant es presenti al primer examen i obtingui una qualificació mínima de 3.5.

Requisits mínims per aprovar:
Per considerar superada l’assignatura, caldrà obtenir una qualificació mínima de 5.0

Tutoria

Ens podreu fer arribar els vostres dubtes o concertar tutories (tant de teoria com de pràctiques i problemes) via moodle o via mail en el corresponent professor.

Les tutories es podran realitzar individualment o per grups, i es faran presencialment o utilitzant videoconferència (google meet).

Comunicacio i interacció amb l'estudiantat

La comunicació habitual en l’assignatura es farà via moodle.

L'assignatura tindrà el fòrum d'avisos on es guardaran totes les notificacions relatives al curs i també es podran crear fòrums específics per cadascuna de les pràctiques.

L'interacció individual la podrem fer presencialment als despatxos dels professors sempre que les condicions ho permentin, o bé també via videoconferència (individualment o en grup).

Escull quins tipus de galetes acceptes que el web de la Universitat de Girona pugui guardar en el teu navegador.

Les imprescindibles per facilitar la vostra connexió. No hi ha opció d'inhabilitar-les, atès que són les necessàries pel funcionament del lloc web.

Permeten recordar les vostres opcions (per exemple llengua o regió des de la qual accediu), per tal de proporcionar-vos serveis avançats.

Proporcionen informació estadística i permeten millorar els serveis. Utilitzem cookies de Google Analytics que podeu desactivar instal·lant-vos aquest plugin.

Per a oferir continguts publicitaris relacionats amb els interessos de l'usuari, bé directament, bé per mitjà de tercers (“adservers”). Cal activar-les si vols veure els vídeos de Youtube incrustats en el web de la Universitat de Girona.