Màster Universitari en Data Science La Salle Campus Barcelona URL

Màster Universitari en Data Science

Converteix-te en un expert en analitzar, estructurar, filtrar, visualitzar i posar en valor la producció de dades generades.

Intel·ligència artificial per a la ciència de les dades

Descripció
A la Ciència de les dades és imprescindible aplicar la intel·ligència artificial, en concret l'aprenentatge artificial, com a mètodes d'anàlisi de les dades. Aquests mètodes permeten explicitar el coneixement de la base de coneixement. En aquesta assignatura, com a continuació de l'assignatura “MD005-Sistemes Basats en el Coneixement”, es treballaran mètodes d'aprenentatge artificial profunds (e.g. Bagging/Boosting, Computació Evolutiva i Deep Learning), i altres mètodes que no s'hagin introduït al Semestre 1 (com Support Vector Machines o Regles associatives). Així mateix, es realitzarà un projecte juntament amb l'assignatura “MD009 – Eines avançades d'anàlisi de dades” aplicant totes les tècniques basades en estadística o aprenentatge artificial vistes fins al moment, amb la finalitat de resoldre un problema concret. Serà com un mini Treball Final de Màster realitzat en grup.
Tipus assignatura
Primer - Obligatoria
Semestre
Segon
Curs
1
Crèdits
5.00

Professors Titulars

Coneixements previs

Les matèries del mòdul de Ciència de les Dades del primer semestre del MUDS o equivalent. Coneixements bàsics de programació.

Objectius

Els objectius es centraran en:
• Conèixer l'abast de la intel·ligència artificial, en concret l'aprenentatge automàtic, a la ciència de les dades.
• Ser coneixedors dels requeriments computacionals i de la qualitat de les solucions dels diferents mètodes.
• Ser coneixedors dels mètodes d’aprenentatge artificial profunds. Bagging/Boosting, Deep Learning i Computació Evolutiva. Usant Python i les seves llibreries.
• Ser coneixedors d'un mapa global: quina tècnica fer servir, donat un problema i un conjunt de dades.

Continguts

TEMARI

1. Bagging & Boosting
2. Neural Networks. Deep Learning
3. Computació evolutiva. Algorismes genètics
4. Support Vector Machines
5. Association Rules
6. Projecte (projecte conjunt amb l'assignatura MD009 - Eines avançades d'anàlisi de dades)

Nota: els temes poden ajustar i/o modificar-se a criteri de la coordinació del màster.

Metodologia

La metodologia usada combina les classes magistrals, la resolució d’exercicis, la participació de l’alumnat i el desenvolupament d’un projecte. Per a l’alumne/a això comportarà tant treballs individuals com treballs en grup, així com exercicis conceptuals, exercicis implementats, presentacions orals i presentacions escrites.

Avaluació

Avaluació continua
Aquesta assignatura s'avaluarà de manera continuada a partir d'exercicis, treballs, pràctiques i presentacions a classe. La nota final serà una ponderació de dos blocs:
- Exercicis: 60%
- Projecte: 40%

Criteris avaluació

Avaluació continua
Aquesta assignatura s'avaluarà de manera continuada a partir d'exercicis, treballs, pràctiques i presentacions a classe. La nota final serà una ponderació de dos blocs:
- Exercicis: 60%
- Projecte: 40%

Convocatòria extraordinària
Es determinarà l’examen i/o treballs de convocatòria extraordinària des de la coordinació de l’assignatura.

Normativa de còpies
L’assignatura es regeix per la normativa de còpies general de La Salle Campus BCN:
https://www.salleurl.edu/ca/normativa-de-copies
Les activitats formatives es consideraran que tenen la següent categoria:
• Exercicis: moderadament significativa
• Projecte: altament significativa
• Avaluació final: altament significativa

Bibliografia bàsica

La bibliografia s'anirà detallant al llarg de l'assignatura.

• Apunts de classe
• Documentació i articles que es penjaran a la Intranet (eStudy)

Material complementari

Tot el material de classe (presentacions, exercicis, articles, documents, etcètera) es compartiran a la carpeta de l'assignatura de la Intranet de La Salle: eStudy.