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
• 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

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 trees and ensemble methods, neural networks, xarxes Bayesianes. Semi-supervised learning. Algorithm selection. Explainability.

• 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

Activitats d'avaluació:

The course's final grade is calculated as the mean of the grade of the evaluation activities, weighted according to the percentages provided in the table above.

The student must reach at least a minimum grade of 4 in each evaluation activity (Non-Supervised, Supervised I and Supervised II) to compute the average for the final grade. The student will have the opportunity to resit any of the failed activities. If the student fails to reach a 4, even after resit, in one of the activities, the course's final grade will be the grade of the failed activity.

If fraudulent actions are detected in any academic activity (such as impersonation, plagiarism, copy, purchase or sale of academic tasks, etc.), a final grade of 0 will be assigned according to the School's regulations (https://www.udg.edu/ca/estudia/Tramits-normatives-i-preus/Normatives/Processos-avaluacio-i-qualificacio-dels-estudiants).

Criteris específics de la nota «No Presentat»:
The completion of any assessment activity during the course gives rise to a grade. Otherwise, an 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.

The single assessment consists of a single exam where the contents of the entire course will be assessed. The qualification of this exam will represent the final grade.

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

Office hours can be appointed by request. Contact the professor by email to agree on the details.

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

Moodle's forums are encouraged as the main means for doubt and question answering so that it is accessible to all the students.

Personal inquiries will preferably be answered by email.

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.