CB05 Prendre decisions per a la resolució de situacions diverses CT06 Dissenyar propostes creatives CES2 Analitzar problemes computacionals i desenvolupar solucions algorísmiques acord CES5 Analitzar i modelar dades per a tasques de suport a la presa de decisions mèdiques CES9 Especificar, dissenyar i avaluar sistemes assistits per ordinador i robotitzats; especialment els d'intervenció quirúrgica
1. Introducció 2. Aprenentatge amb dades longitudinals 3. Raonament basat en casos 4. Sistemes Multiagent 5. Reinforcement learning 6. Support vector machines 7. Deep learning
Tipus d’activitat Hores amb professor Hores sense professor Hores virtuals amb professor Total Anàlisi / estudi de casos 12,00 33,00 0 45,00 Sessió participativa 26,00 30,00 0 56,00 Sessió pràctica 12,00 12,00 0 24,00 Total 50,00 75,00 0 125
Weiss, Gerhard . (1999). Multiagent systems :. Cambridge, Mas.: The MIT Press. Catàleg Shoham, Yoav. (2009). Multiagent systems :. Cambridge: Cambridge University. Catàleg Jannach, Dietmar. (2011). Recommender systems :. New York: Cambridge University Press. Catàleg López, Beatriz. (2013). Case-based reasoning :. [S.l.]: Morgan & Claypool Publishers. Catàleg Torra i Reventós, Vicenç. (2007). Modelització de decisions :. Bellaterra: Universitat Autònoma de Barcelona Servei de Publicacions. Catàleg Witten, I. H.. (2017). Data mining : (4th edition). Cambridge, Massachusetts: Morgan Kaufmann. Catàleg Alpaydin, Ethem. (2010). Introduction to machine learning (2nd ed.). Cambridge [etc.]: The MIT Press. Catàleg Harrington, Peter. (2012). Machine learning in action. Shelter Island, [New York]: Manning. Catàleg Leskovec, Jure. (2014). Mining of massive datasets (2nd ed.). Cambridge: Cambridge University Press. Catàleg Yang, Qiang (2020). Federated learning. San Rafael, California: Morgan & Claypool. Catàleg Goodfellow, Ian (2016). Deep learning. Cambridge, Massachusetts: The MIT Press. Catàleg John Atkinson Abutridy (2023). Grandes modelos de lenguaje. Marcombo. Catàleg Kelleher, J. D., Namee, B. M., & D’Arcy, A. (2020). Machine learning for predictive data analytics. Algorithms, Worked Examples, and Case Studies. The MIT Press. Catàleg Michael Nielsen (2015). Neural networks and deep learning. Determination Press. Francois Cholet (2021). Deep learning in Python (2nd). Simon and Schuster.
Activitats d'avaluació: Descripció de l'activitat Avaluació de l'activitat % Recuperable Projecte de curs Els criteris d'avaluació es defineixen en l'enunciat del treball. El treball es lliurarà en etapes, i cal complir tots els lliuraments. És recuperable. 50 Sí Pràctiques amb ordinador. A l'enunciat de cada pràctica es defineixen els criteris d'avaluació. Cal lliurar cada pràctica en el termini establert, que també està indicat en l'enunciat de cada pràctica. Cap pràctica tindrà un pes superior al 25% de la nota final. No son recuperables. Una pràctica no lliurada a temps rep una qualificació de 0. 50 No
Pràctiques: Totes les pràctiques s'avaluen entre 0-10. La nota final de pràctiques s'obte de la mitjana de les pràctiques. Treball: una única qualificació entre 0 i 10 Nota final. La nota final de l'assignatura (NFA) s'obté a partir de la següent expressió:. NFA = Nota de Pràctiques (50%) + Nota treball (50%) Els professors indicaran els usos permesos de les tecnologies d'IA generativa en cada activitat d'avaluació per separat. Si està permès, és obligatori indicar clarament quines eines s'han utilitzat i com. La manca de transparència en aquest sentit pot comportar el fracàs de l'activitat corresponent. Si en qualsevol tipus d'activitat acadèmica es detecten actuacions fraudulentes (utilització d'informació sense autorització, utilització d'informació falsa, utilització de dispositius no autoritzats, suplantació de la identitat, plagis totals o parcials, compra i venda de proves, pràctiques i treballs, etc) l'estudiantat implicat suspendrà automàticament l'assignatura. En funció del tipus d'acte fraudulent la Direcció de l'Escola iniciarà els procediments adients d'acord amb la Llei 3/2022 de 24 de febrer de Convivència Universitària (https://www.boe.es/eli/es/l/2022/02/24/3). Criteris específics de la nota «No Presentat»: La realització de qualsevol activitat d'avaluació durant el curs donarà lloc a una qualificació numèrica. En cas contrari, s'emetrà una qualificació de NP. Avaluació única: Els estudiants que optin per avaluació única hauran de realitzar un projecte del curs ampliat. Els criteris d'avaluació es defineixen en l'enunciat del treball. Requisits mínims per aprovar: Per considerar superada l’assignatura, caldrà obtenir una qualificació mínima de 5.0
Les tutories es podran concertar mitjançant el correu electrònic i s’adaptaran, en la mesura del possible, als horaris de cada estudiant.
La comunicació es realitzarà en el fòrum d’avisos i notícies del Moodle així com per correu electrònic.