Estudia

• 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 (CNN)

3. Models generatius: VAE, GAN, LDM

4. Models de visió avançats: transformers, self-supervised learning.

5. Projecte: aplicació de Visió per Computador

6. Modelatge de series temporals

7. Graph Neuronal Networks (GNN)

8. Reinforcement Learning (RL)

9. Large Language Models (LLMs)

10. Projecte: LLMs

• Kevin P. Murphy (2023). Probabilistic Machine Learning - Advanced Topics. The MIT Press.
• 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.
• 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.

Activitats d'avaluació:

Presentar les activiats d'avaluació i participació en l'examen presencial a l'aula. La suma ponderada de les activitats avaluables ha de ser >= 5.

A l’aula on es faci l’activitat d’avaluació s’accedirà amb tots els aparells de comunicació (mòbils, ordinadors, tauletes, rellotges intel·ligents, etc.) APAGATS i dins les motxilles/bosses. L’incompliment d’aquesta norma suposarà una qualificació de 0 a l‘activitat així com l’execució de les accions que descriu l’article 21 de la normativa reguladora dels processos d’avaluació i qualificació dels estudiants de la UdG.
Si durant el procés de correcció de l’activitat d’avaluació el professor determina l’existència d’un possible frau, aquest es reserva el dret de validar la qualificació obtinguda segons la metodologia d’avaluació que consideri oportuna.

Criteris específics de la nota «No Presentat»:
No presentar cap pràctica ni exercici i tampoc assistir a cap prova.

Avaluació única:
Presentar les activiats d'avaluació i participació en l'examen presencial a l'aula. La suma ponderada de les activitats avaluables ha de ser >= 5.

A l’aula on es faci l’activitat d’avaluació s’accedirà amb tots els aparells de comunicació (mòbils, ordinadors, tauletes, rellotges intel·ligents, etc.) APAGATS i dins les motxilles/bosses. L’incompliment d’aquesta norma suposarà una qualificació de 0 a l‘activitat així com l’execució de les accions que descriu l’article 21 de la normativa reguladora dels processos d’avaluació i qualificació dels estudiants de la UdG.
Si durant el procés de correcció de l’activitat d’avaluació el professor determina l’existència d’un possible frau, aquest es reserva el dret de validar la qualificació obtinguda segons la metodologia d’avaluació que consideri oportuna.

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

Horari a convenir amb cada professor mitjançant correu electrònic

A través del correu electrònic.

Professor responsable: adria.casamitjana@udg.edu

• Machine Learning