Estudia > Oferta formativa > Oferta d'assignatures > Detall de l'assignatura
Anar al contingut (clic a Intro)
UdG Home UdG Home
Tancar
Menú

Estudia

Dades generals

Curs acadèmic:
2022
Descripció:
L'objectiu d'aquesta assignatura és entendre i aprendre a fer sevir les principals tècniques i algorismes en les dues principals vessants de l'aprenentatge automàtic 1. Aprenentatge supervisat 1.1 Árbres de classificació 1.2 Màquines de vectors suport 1.3 Xarxes Neuronals 1.4 Mètodes Bayesians 1.5 Ensemble models 1.6 Evaluació/validació de models 2. Aprenentatge no supervisat: 2.1 Clustering 2.2 Regles d'associació 2.3 Detecció d'anomalies 2.4 Mapes autoorganitzats 2.5 Hidden Markov Models 2.6 Evaluació/validació de models
Crèdits:
9

Grups

Grup A

Durada:
Semestral, 1r semestre
Professorat:
Marc Comas Cufi  / Maria Beatriz Lopez Ibañez  / Josep Suy Franch
Idioma de les classes:
Català (50%), Anglès (50%)

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
  • CB9 Que els estudiants sàpiguen comunicar les seves conclusions i els coneixements i raons últimes que les sustenten a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats
  • 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
  • CG5 Treballar en equips multidisciplinars, establint aquelles relacions que més poden ajudar a fer sortir potencialitats de cooperacio´
  • 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. Introduction and Machine Learning concepts

2. Non-supervised learning. Introduction. k-means. DBScan, Mixtures, PCA, t-SNE, UMAP, Self-organized maps, association rule learning, sequence learning.

3. Supervised learning. Introducton. Linear and logistic regression, k-nearest neighbours, support vector machines, decision tree learning, neural networks, ensemble methods. Algorithm selection. Explainability

4. Cases study

Activitats

Tipus d’activitat Hores amb professor Hores sense professor Hores virtuals amb professor Total
Anàlisi / estudi de casos 10,00 30,00 0 40,00
Assistència a actes externs 10,00 30,00 0 40,00
Prova d'avaluació 10,00 30,00 0 40,00
Sessió participativa 30,00 30,00 0 60,00
Total 60,00 120,00 0 180

Bibliografia

  • Russell, Stuart J.. (2021). Artificial intelligence : (Fourth edition). Upper Saddle River: Pearson. Catàleg
  • Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani (2014). Introduction to Statistical Learning: with Applications in R. Springer .
  • Andriy Burkov (2019). The hundred-page machine learning book. Andriy Burkov.
  • Hastie, Trevor. (2009). The Elements of statistical learning : (2nd ed.). New York [etc.]: Springer. Catàleg
  • Murphy, Kevin P.. (2012). Machine learning :. Cambridge, Mass. [etc.]: MIT Press. Catàleg

Avaluació i qualificació

Activitats d'avaluació:

Descripció de l'activitat Avaluació de l'activitat % Recuperable
Non-supervised learning Evaluation (exercises, tests, exams, tasks, homeworks, ...) Realization of diverse works, exercises and/or exams. 33 No
Supervised learning
Evaluation I (exercises, tests, exams, tasks, homeworks, ...)
Realization of diverse works, exercises and/or exams. 33 No
Supervised learning
Evaluation II(exercises, tests, competitions, ...)
Realization of diverse works, exercises and/or competitions. 34 No

Qualificació

The final grade of the course will be computed according to the weights of each of the proposed activities.

A student must pass each part (Non-Supervised, Supervised I and Supervised II) with a minimum of 4 to compute the average for the final grade

Criteris específics de la nota «No Presentat»:
Completion of some of the assessment activities provided in the course gives rise to a grade. Otherwise, a NP grade will be obtained.

Avaluació única:
To apply for a single assessment of the whole course, a formal request must be made to the Academic Secretary.

Students who request a single assessment must take a single exam where the contents of the entire course will be assessed and will have a weight of 100%.

Requisits mínims per aprovar:
To pass the course, a minimum grade of 5.0 must be obtained

Tutoria

Tutorships will be attended under appointment (to be requested via the Moodle tools or electronic mail).

Comunicacio i interacció amb l'estudiantat

During the course sessions, the students could ask questions according to the protocol stablied by the professor (raise your hand).

The News forum of the course’s Moodle is encouraged as the main via for doubts and questions arisen out of the course session, so as all the students could access to the information.

Individual requests will be managed by e-mail.

Observacions


The recommended bibliography is completed with the material prepared by the professors.
As the course progresses you will be able to find different material in Moodle.

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.