Professors Titulars
Coneixements bàsics d'estadística i probabilitat.
Coneixements bàsics de càlcul.
Els Resultats d'Aprenentatge d'aquesta assignatura són:
EL.01 - Conèixer la terminologia, notació i mètodes de la recerca quantitativa, concretament els relacionats amb la inferència.
EL.02 - Ser capaç d'analitzar i resumir la informació de les classes magistrals i dels materials proporcionats pel professor.
EL.03 - Comprendre i ser capaç d'implementar algorismes de ML en Python.
Aquests són els temes que es tractaran durant el curs:
Primera part
1. Repàs de la probabilitat
2. Probabilitat condicional i Teorema de Bayes
3. Arbres de Decisió
4. Decisió Multicriteri
Segona part
5. Anàlisi de funcions multivariables
6. Perceptrons
7. Xarxes neuronals
L'ensenyament setmanal consistirà en una sessió lectiva per explicar els conceptes bàsics i la resolució de problemes en grup a classe per aplicar els coneixements a situacions pràctiques. Les sessions de programació es destinaran a la resolució de problemes i al projecte final.
L'avaluació contínua té la següent estructura d'avaluació:
Examen parcial - 30%: Exposició, resolució
Projecte final - 30%: Declaració, resolució i presentació
Qualificació de les tasques individuals - 30%: 3 deures
Assistència, participació i treball a classe - 10%: Lliurables de classe
Per incorporar el cas pràctic i les qualificacions grupals a l'esquema d'avaluació, la mitjana de la qualificació dels treballs individuals haurà de ser igual o superior a 4.
L'avaluació del cas pràctic serà la següent:
1. Exposició: originalitat i grau d'aplicació (10%)
2. Resolució de l'exercici: (60%) - 20% cada part.
3. Conclusions (10%)
4. Explicació dels casos (20%)
POLÍTICA DE RECUPERACIÓ: L'examen de recuperació serà acumulatiu i la nota de l'examen de recuperació comptarà com la nota del llibre de qualificacions. La nota màxima per a aprovar l'assignatura en la recuperació és de 6,0. Els treballs individuals, de grup i els casos pràctics hauran de ser pujats al campus virtual abans de la recuperació.
El llibre recomanat és:
1) "Decision Analysis for Management Judgment". Paul Goodwin and George Wright. Wiley 2009.
Per sort, les referències més importants per a l'aprenentatge automàtic estan disponibles online.
2) "Neural networks and deep learning". Michael Nielsen, available
3) "Practical Deep Learning for Coders - Practical Deep Learning (fast.ai)", J. Howard, S. Gugger.
Per a una exposició més formal del tema i perspectives sobre tècniques avançades de ML:
4) "Deep Learning" I. Goodfellow, Y. Bengio, A Courville
https://www.deeplearningbook.org/