S'ofereix un curs sobre mètodes quantitatius en una àmplia varietat de disciplines, des de les ciències socials a l'empresa, passant per les ciències naturals. Els mateixos mètodes estadístics s'apliquen en totes les disciplines. Per tant, no hauria de sorprendre que les eines que aprendrà a utilitzar en aquest curs li beneficiïn en els seus futurs cursos i carreres, independentment de si el seu interès professional són les finances, la comptabilitat, l'estratègia, la gestió o el màrqueting. En aquest curs aprendrà molts mètodes interessants per a prendre decisions saludables com a directius del futur. La primera part d'aquest curs se centra en els principis de la presa de decisions racional recolzada en la teoria de la probabilitat. La segona part amplia aquestes tècniques a la presa de decisions assistida per ordinador, en particular el mètode d'aprenentatge automàtic (Machine Learning, ML) mitjançant l'ús de xarxes neuronals (Neural Networks, NN). D'aquesta manera, es proporciona a l'alumne una de les principals eines de l'anterior paradigma de presa de decisions sobre Big data. Es requeriran coneixements bàsics de programació, ja que la segona part del curs té com a objectiu aplicar tècniques de ML en entorn Python.
Professors Titulars
Professors Docents
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
Sessió | Unitat | Matèries / Temes | Activitat a classe | Deures assignats | Data límit de lliurament |
1 | 1. Introducció, teoria de la probabilitat | Arbres de decisió, repàs de probabilitat | x | ||
2 | 2. Probabilitat condicional i Teorema de Bayes | Taules creuades, Teorema de Bayes, Versemblança | Deures 1 | ||
3 | (continua unitat 2) | Matriu de confusió, Arbres de probabilitat | x | Deures 1 | |
4 | 3. Arbres de decisió, Jocs | Utilitat esperada. Jocs en forma normal i forma extensiva | x | ||
5 | (continua unitat 3) | Informació imperfecta, Informació perfecta | Deures 2 | ||
6 | 4. Presa de decisions multicriteri | Decisions sense probabilitat, SMART, Anàlisi de sensibilitat | x | Deures 2 | |
7 | 5. Decisions assistides per ordinador | Introducció al Machine Learning. Aplicació a xarxes bayesianes | x | ||
EXAMEN PARCIAL | Examen escrit | Sessions 1–6. Portar bolígraf, goma i calculadora | - | - | - |
8 | 6. Anàlisi multivariable | Optimització multivariable. Descens del gradient | Deures 3 | ||
9 | 7. Perceptró | El perceptró, l’aprenentatge i l’hivern de la IA | x | Deures 3 | |
— | La Salle Fest | Autoestudi, pendent de definir | Projecte final | ||
10 | 8. Xarxes neuronals i aprenentatge | Xarxes neuronals profundes. Ajustament. Bootstrapping | x | ||
11 | (continua unitat 8) | Més sobre ajustament de xarxes neuronals. Ús de models grans preentrenats mitjançant APIs | |||
12 | 9. Aplicacions de xarxes neuronals | Aplicacions actuals de les xarxes neuronals | x | ||
13 | 9.2 Aplicacions de xarxes neuronals | Aplicacions actuals de les xarxes neuronals | Projecte final | ||
EXAMEN FINAL | Examen oral | Preguntes sobre el Projecte Final + teoria de les sessions 7–12 | - | - | - |
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.
Assignatura | Mètodes |
1. Teoria de la probabilitat | Classe magistral, resolució de problemes, treball en grup, laboratori informàtic |
2. Probabilitat condicional i Teorema de Bayes | Classe magistral, resolució de problemes, treball en grup, laboratori informàtic |
3. Arbres de decisió, jocs | Classe magistral, resolució de problemes, treball en grup, laboratori informàtic |
4. Presa de decisions multicriteri | Classe magistral, resolució de problemes, treball en grup |
5. Decisions assistides per ordinador | Classe magistral, resolució de problemes, treball en grup, laboratori informàtic |
6. Anàlisi multivariable | Classe magistral, resolució de problemes, laboratori informàtic |
7. Perceptró | Classe magistral |
8. Xarxes neuronals i aprenentatge | Classe magistral, resolució de problemes, treball en grup, laboratori informàtic |
9. Aplicació de xarxes neuronals | Classe magistral, resolució de problemes, treball en grup, laboratori informàtic |
Part | Pes | Què | Nota mínima | Importància |
Participació | 10% | Assistència, actitud, puntualitat, activitats a classe | - | Moderada |
Treball individual | 20% | Deures 1–3 | ≥ 4/10 per aprovar | Moderada |
Estudi de cas | 20% | Projecte final, individual o en grup | ≥ 4/10 per aprovar | Alta |
Examen parcial | 25% | Prova escrita | ≥ 4/10 per aprovar | Alta |
Examen final | 25% | Examen oral | ≥ 4/10 per aprovar | Alta |
Política de recuperació
No hi ha examen de recuperació en aquesta assignatura.
--
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/
--