Aprenentatge automàtic Codi:  22.418    :  6
Consulta de les dades generals   Descripció   L'assignatura en el conjunt del pla d'estudis   Objectius i competències   Continguts   Consulta dels recursos d'aprenentatge de la UOC per a l'assignatura   Informació addicional sobre els recursos d'aprenentatge i eines de suport   Informacions sobre l'avaluació a la UOC   Consulta del model d'avaluació  
Aquest és el pla docent de l'assignatura per al segon semestre del curs 2023-2024. Podeu consultar si l'assignatura s'ofereix aquest semestre a l'espai del campus Més UOC / La universitat / Plans d'estudis). Un cop comenci la docència, heu de consultar-lo a l'aula. El pla docent pot estar subjecte a canvis.

La motivació principal d'aquesta assignatura és la d'aprofundir en diverses tècniques d'aprenentatge automàtic (machine learning). 

A l'assignatura de Mineria de dades ja es va veure una introducció a l'extracció i selecció de característiques, diverses tècniques d'aprenentatge no supervisat (agrupament o clustering) així com també algunes tècniques d'aprenentatge supervisat (k nearest neighbors, arbres de decisió i regressió lineal simple). A més, es van analitzar els diversos protocols d'avaluació (divisió de les dades en entrenament, validació i test, cross-validation) així com diverses mesures d'avaluació (exactitud, f-score, precisió i sensibilitat, entre d'altres). 

En aquesta assignatura es donaran a conèixer altres tècniques d'aprenentatge supervisat molt esteses en el camp de l'aprenentatge automàtic. D'una banda, els arbres de decisió, la regressió logística, el classificador Naïve Bayes, les support vector machines i les xarxes neuronals pel que fa als algorismes de classificació. D'altra banda, la regressió lineal múltiple i el support vector regressor pel que fa a algorismes de regressió. A continuació, s'introduiran tècniques que permeten combinar diversos mètodes com bagging i boosting. 

A més, es farà una introducció a les tècniques de deep learning, on es veuran les xarxes neuronals feed-forward (multi layer perceptron i xarxes neuronals convolucionals) i les xarxes neuronals recurrents. 

També coneixerem en què es basen els sistemes recomanadors i les diferents tècniques existents per recomanar un producte a un usuari en funció de les seves pròpies preferències i les de la resta d'usuaris d'una plataforma.

Per últim, es veurà una tercera família d'algorismes d'aprenentatge automàtic: l'aprenentatge per reforç o reinforcement learning, on un agent és capaç d'aprendre a partir de recompenses positives o negatives que rep de l'entorn amb què interacciona. 

Amunt

Aquesta assignatura té com a prerequisit haver superat l'assignatura Mineria de dades.


A Mineria de dades es fa una introducció a diverses tècniques d'aprenentatge supervisat i no supervisat, en problemes tant de classificació com de regressió, i també inclou una descripció sobre els protocols i mesures d'avaluació.

Amunt


Competències

Competència bàsica

Que els estudiants tinguin la capacitat de reunir i interpretar dades rellevants (normalment dins la seva àrea d'estudi) per emetre judicis que incloguin una reflexió sobre temes rellevants d'índole social, científica o ètica.

Competència bàsica

Que els estudiants puguin transmetre informació, idees, problemes i solucions a un públic tant especialitzat com no especialitzat.

Competència general

Cercar, gestionar i utilitzar la informació més adequada per modelitzar problemes concrets i aplicar adequadament procediments teòrics per a la seva resolució de manera autònoma i creativa.

Competència general

Identificar i generar noves idees innovadores que aportin valor econòmic i / o social.


Competència general

Comunicar i transmetre els coneixements, habilitats i destreses de la professió en el marc de la ciència de dades.


Competència transversal

Expressar-se de forma escrita de forma adequada en el context acadèmic i professional.

Competència específica

Utilitzar de forma combinada els fonaments matemàtics, estadístics i de programació per desenvolupar solucions a problemes en l'àmbit de la ciència de les dades.

Competència específica

Aplicar tècniques específiques de captura, tractament i anàlisi de dades estructurades, semi-estructurats i no estructurats.


Competència específica

Resumir, interpretar, presentar i contrastar de forma crítica els resultats obtinguts utilitzant les eines d'anàlisi i visualització més adequades.




Resultats d'aprenentatge

Argumentar i identificar els diferents tipus de problemes d'aprenentatge, diferenciant entre aprenentatge supervisat i no supervisat.

Conèixer els principals mètodes d'aprenentatge automàtic en problemes supervisats i no supervisats, i saber aplicar el tipus d'algorisme adequat en cada situació, així com els seus punts forts i debilitats.

Conèixer les metodologies i etapes bàsiques d'un projecte de mineria de dades o, en general, d'un projecte de ciència de dades.

Identificar els diferents rols que apareixen en un projecte de ciència de dades i reconèixer les tasques associades a cada un d'ells.

Interpretar i analitzar els resultats dels algoritmes tenint en compte temes rellevants d'índole social, científica o ètica.

Realitzar una anàlisi dels resultats obtinguts amb els principals mètodes d'aprenentatge automàtic utilitzant les mètriques d'avaluació comuns per a aquests problemes.

Conèixer els diferents mètodes existents per combinar diversos models en problemes d'aprenentatge supervisat, tant per a classificació com regressió.

Conèixer les diferents parts que formen una xarxa neuronal així com les tècniques d'entrenament de les mateixes.

Identificar els diferents elements que apareixen en un projecte d'aprenentatge per reforç.

Saber explicar com funcionen els sistemes recomanadors a un públic tant especialitzat com no especialitzat.




Amunt

Continguts

Número de nivell

Títol

1

D'on partim? Introducció a l'aprenentatge automàtic

2

Aprenentatge supervisat: problemes de classificació

3

Aprenentatge supervisat: problemes de regressió i combinació de mètodes

3.1

Problemes de regressió 

3.2

Combinació de mètodes

4

Xarxes neuronals

5

Sistemes recomanadors

6

Aprenentatge per reforç

Amunt

Espai de recursos de ciència de dades Web
Introducció a l'aprenentatge automàtic (Notebook) Codi font
Aprenentatge supervisat: problemes de classificació PDF
Aprenentatge supervisat: problemes de classificació (Notebook) Codi font
Aprenentatge supervisat: problemes de regressió i combinació de mètodes PDF
Aprenentatge supervisat: problemes de regressió (Notebook) Codi font
Aprenentatge supervisat: combinació de mètodes (Notebook) Codi font
Xarxes neuronals: fonaments i intuïcions (Notebook) Codi font
Neuronal networks examples (Notebook) Codi font
Aprenentatge per reforç PDF
Aprenentatge per reforç (Notebook) Codi font
Sistemes recomanadors PDF
Sistemes recomanadors (Notebook) Codi font

Amunt

L'assignatura compta amb uns recursos textuals amb tots els fonaments teòrics de l'assignatura. Aquests recursos textuals es complementen amb uns recursos pràctics en format notebook. Els notebooks estan implementats en python i han estat desenvolupats perquè siguin fàcilment executables a google Colab. Puntualment poden haver-hi altres recursos complementaris.

Amunt

A la UOC, l'avaluació generalment és virtual. S'estructura entorn de l'avaluació contínua, que inclou diferents activitats o reptes; l'avaluació final, que es porta a terme mitjançant proves o exàmens, i el treball final de la titulació.

Les activitats o proves d'avaluació poden ser escrites i/o audiovisuals, amb preguntes aleatòries, proves orals síncrones o asíncrones, etc., d'acord amb el que decideixi cada equip docent. Els treballs finals representen el tancament d'un procés formatiu que implica la realització d'un treball original i tutoritzat que té com a objectiu demostrar l'adquisició competencial feta al llarg del programa.

Per verificar la identitat de l'estudiant i l'autoria de les proves d'avaluació, la UOC es reserva la potestat d'aplicar diferents sistemes de reconeixement de la identitat i de detecció del plagi. Amb aquest objectiu, la UOC pot dur a terme enregistrament audiovisual o fer servir mètodes o tècniques de supervisió durant l'execució de qualsevol activitat acadèmica.

Així mateix, la UOC pot exigir a l'estudiant l'ús de dispositius electrònics (micròfons, càmeres o altres eines) o programari específic durant l'avaluació. És responsabilitat de l'estudiant assegurar que aquests dispositius funcionen correctament.

El procés d'avaluació es fonamenta en el treball personal de l'estudiant i pressuposa l'autenticitat de l'autoria i l'originalitat de les activitats acadèmiques. Al web sobre integritat acadèmica i plagi de la UOC hi ha més informació respecte d'aquesta qüestió.

La manca d'autenticitat en l'autoria o d'originalitat de les proves d'avaluació; la còpia o el plagi; la suplantació d'identitat; l'acceptació o l'obtenció de qualsevol activitat acadèmica a canvi d'una contraprestació o no; la col·laboració, l'encobriment o l'afavoriment de la còpia, o l'ús de material, programari o dispositius no autoritzats en el pla docent o l'enunciat de l'activitat acadèmica, inclosa la intel·ligència artificial i la traducció automàtica, entre altres, són conductes irregulars en l'avaluació que poden tenir conseqüències acadèmiques i disciplinàries greus.

Aquestes conductes irregulars poden comportar el suspens (D/0) en les activitats avaluables que es defineixin en el pla docent -incloses les proves finals- o en la qualificació final de l'assignatura, sigui perquè s'han utilitzat materials, programari o dispositius no autoritzats durant les proves (com l'ús d'intel·ligència artificial no permesa, xarxes socials o cercadors d'informació a internet), perquè s'han copiat fragments de text d'una font externa (internet, apunts, llibres, articles, treballs o proves d'altres estudiants, etc.) sense la citació corresponent, per la compravenda d'activitats acadèmiques, o perquè s'ha dut a terme qualsevol altra conducta irregular.

Així mateix, i d'acord amb la normativa acadèmica, les conductes irregulars en l'avaluació també poden donar lloc a la incoació d'un procediment disciplinari i a l'aplicació, si escau, de la sanció que correspongui, de conformitat amb el que estableix la normativa de convivència de la UOC.

En el marc del procés d'avaluació, la UOC es reserva la potestat de:

  • Sol·licitar a l'estudiant que acrediti la seva identitat segons el que estableix la normativa acadèmica.
  • Sol·licitar a l'estudiant que acrediti l'autoria del seu treball al llarg de tot el procés d'avaluació, tant en l'avaluació contínua com en l'avaluació final, per mitjà d'una entrevista oral síncrona, que pot ser objecte d'enregistrament audiovisual, o pels mitjans que estableixi la Universitat. Aquests mitjans tenen l'objectiu de verificar els coneixements i les competències que garanteixin la identitat de l'estudiant. Si no és possible garantir que l'estudiant és l'autor de la prova, aquesta pot ser qualificada amb una D, en el cas de l'avaluació contínua, o amb un suspens, en el cas de l'avaluació final.

Intel·ligència artificial en el marc de l'avaluació

La UOC reconeix el valor i el potencial de la intel·ligència artificial (IA) en l'àmbit educatiu, alhora que posa de manifest els riscos que comporta si no s'utilitza de manera ètica, crítica i responsable. En aquest sentit, en cada activitat d'avaluació s'informarà l'estudiantat sobre les eines i els recursos d'IA que es poden utilitzar i en quines condicions. Per la seva banda, l'estudiantat es compromet a seguir les indicacions de la UOC a l'hora de dur a terme les activitats d'avaluació i de citar les eines utilitzades i, concretament, a identificar els textos o les imatges generats per sistemes d'IA, els quals no podrà presentar com si fossin propis.

Amb relació a fer servir o no la IA per resoldre una activitat, l'enunciat de les activitats d'avaluació indica les limitacions en l'ús d'aquestes eines. Cal tenir en compte que fer-les servir de manera inadequada, com ara en activitats en què no estan permeses o no citar-les en les activitats en què sí que ho estan, es pot considerar una conducta irregular en l'avaluació. En cas de dubte, es recomana que, abans de lliurar l'activitat, es faci arribar una consulta al professorat col·laborador de l'aula.

Amunt

L'assignatura només es pot aprovar amb el seguiment i la superació de l'avaluació contínua (AC). La qualificació final de l'assignatura és la nota obtinguda a l'AC.

 

Amunt