Consulta de Guies Docents



Curs Acadèmic: 2022/23

3378 - Grau en Enginyeria Biomèdica

25369 - Aprenentatge Automàtic per a Aplicacions en Biomedicina


Informació de la Guia Docent

Curs acadèmic:
2022/23
Centre acadèmic:
337 - Escola d'Enginyeria
Estudi:
3378 - Grau en Enginyeria Biomèdica
Assignatura:
25369 - Aprenentatge Automàtic per a Aplicacions en Biomedicina
Àmbit:
---
Crèdits:
4.0
Curs:
3 i 4
Idiomes de docència:
Teoria: Grup 1: Anglès
Pràctiques: Grup 101: Anglès
Grup 102: Anglès
Seminari: Grup 101: Anglès
Professorat:
Rafael Ramirez Melendez
Periode d'Impartició:
Segon trimestre
Horari:

Presentació

L'assignatura Aprenentatge Automàtic per a Aplicacions en Biomedicina és una assignatura optativa que s'oferix durant el curs d'enginyeria biomèdica, audiovisual, telemàtica i informática. L'assignatura té un component teòric i altre pràctic. Dintre del component teòric l'èmfasi esta en la comprensió dels conceptes a nivell intuïtiu mes que en la utilització estricta de llenguatge matemàtic.

L'assignatura esta composta de tres activitades principals: classes de teoria, seminaris i laboratoris. En les classes de teoria s'introduïxen els conceptes formals i matemàtics i es mostren exemples de la seva aplicació. En els seminaris els alumnes resolen petits problemes. Cada problema correspon a un dels conceptes introduïts en classe de teoria. En els laboratoris es presentin problemes de més complexitat i de caràcter més computacional perquè els alumnes tinguin l'oportunitat de posar en pràctica els conceptes apresos.

Competències associades

RA.CE4.5 Resol problemes complexos utilitzant tècniques d'aprenentatge automàtic i mineria de dades. 

 

El objectivo fonamental de l'assignatura és que els alumnes adquireixin els aspectes fonamentals relacionats amb la teoria i aplicació de los principals algoritmes de aprenentatge automàtic i en particular la seva applicació a la biomedicina.

 

Competències generals

Competències específiques

 

 

Instrumentals

1. Capacitat de raonar a nivell abstracte
2. Habilitats cognitives
3. Sentit comú

 

Interpersonals

4. Competència de comunicació

 

Sistèmiques

5. Capacitat d'identificar la millor metodologia per resoldre un problema.
6. Capacitat de solucionar problemes combinant de manera nova i no trivial elements ja coneguts
7. Capacitat de generar idees

 

 

 

 

 

 

 

 

1. Capacitat d'entendre a nivell intuïtiu i formal els diferents aspectes en algebra, calcul I algoritmes.

2. Capacitat d'aplicar els coneixements de algoritmes de aprenentatge automàtic en contextos pràctics.

3. Capacitat d'entendre les diferencies entre diversos algoritmes de aprenentage automatic a nivel teoric i sobre tot a nivel practic. Capacitat de aplicar el algoritmes en el contexto de la biomedicina.

 

 

Resultats de l'aprenentatge

L'objectiu de l'assignatura és estendre i posar en pràctica les diferents algoritmes de aprenentatge automàtic i aplicarlos en el camp de la biomedicina. Mas concretament, es pretén aconseguir que els alumnes desenvolupin la capacitat d'especificar problemes de aprenentatge automàtic, i implementar solucions per problemes practics. Així mateix, els estudiants haurien de desenvolupar competències per a entendre els propietats dels diferents algoritmes i identificar el millor algoritme en diferents problemàtiques.

Objectius de Desenvolupament Sostenible

Educación de calidad # Salud y bienestar

Prerequisits

Els coneixements previs per al seguiment de l'assignatura són nocions de matemàtiques bàsiques adquirides els primers dos cursos dels estudis. En particular, els coneixements previs requerits per a l'assignatura són:

  • Nocions algebraiques bàsiques: funcions (injectives, biyectivas), conjunts i operacions elementals sobre conjunts.
  • Nocions bàsiques de cálculo, estadística i probabilidad
  • Aritmètica bàsica.
  • Capacitat bàsica per a comprendre i escriure expressions matemàtiques.

Aquesta assignatura és assumeix l'assimilació dels conceptes bàsicos apresos en Algebra lineal, així com en calcul.

Continguts

Bloc de contingut 1. 

 

Conceptes

Procediments

Actituds

1. inductive learning, supervised/unsupervised learning

2. overfitting, model evaluation



3. Regressió lineal, regressió logística

1. Entendre els conceptes de aprenentatge supervisat i no supervisat,

2. . Entendre el concepte de overfitting i les diferents mesures d’evaluació per models induïts.


3. Poder implementar i aplicar les algorismes de regressió lineal y regressió logística para problemes de regressió y classificació

1. Apreciar els diferents tipus d’aprenentatge y les differents problematiques a les que se aplica

2. Disponibilitat a intentar entendre conceptes que
inicialment semblen
complexos.

 

 

 

 

Bloc de contingut 2. 

 

Conceptes

Procediments

Actituds

1. Decision trees, artificial neural networks, deep learning, suport vector machines,  k-nearest neighbor, evolutionary algorithms, clustering.



1. Descriure el procés d'execució de diferents algorismes de aprenentatge automàtic


2. Elegir i aplicar diferents algorismes de aprenentatge automàtic en problemàtiques reals.

 

 

1. Disponibilitat a intentar entendre conceptes que
inicialment semblen
complexos.

2. Predisposició a
adquirir coneixement
sòlid de base

 

 

Bloc de contingut 3. 

 

Conceptes

Procediments

Actituds

1. Feature selection, practical machine learning, big data


 

 

1. Aplicar techniques d’aprenentatge automàtic  en problemàtiques reals.

2. Diferenciar entre els diferents mecanismes disponibles en aprenentatge automàtic, las seves avantatges i disavantatges

 

3. Analitzar els models entrenados i identificar mesures per optimitzar els resultats 

1. Disponibilitat a intentar entendre conceptes que
inicialment semblen
complexos.

2. Predisposició a
adquirir coneixement
sòlid de base

3. Disponibilitat de
dedicar el temps
necessari a cada concepte

 

Metodologia docent

Classes de Teoria

En aquestes classes s'aborden els conceptes teòrics dels blocs de contingut de l'assignatura. Les classes de teoria consisteixen en 9 sessions de dues hores de durada. El professor portarà a terme les explicacions dels continguts teòrics de l'assignatura per a això es disposarà d'ordinador, projector i pissarra com material suport. S'empraran transparències que serviran com apunts de classe per als alumnes. Els conceptes analitzats en aquest tipus de sessions seran utilitzats en les dues activitats d'aprenentatge restants de l'assignatura; Sessions de Seminaris I Sessions de Pràctiques. L’estudiant haurà de complementar aquesta activitat amb un lectura detinguda dels seus propis apunts i el material addicional que el professor hagi proporcionat. Per exemple, un sessió de teoria de 2 hores, convenientment aprofitades, requerirà un treball addicional fora de l’aula d’1 hora per part de l’estudiant.

Sessions de Pràctiques

En aquestes sessions es desenvolupen els punts pràctics del bloc de contingut de l'assignatura. Aquestes sessions es fan en el laboratori (si es possible) i tenen una durada de dues hores. El professor de pràctiques lliurarà un enunciat en la qual s'explica el desenvolupament de la pràctica i donarà les directrius necessàries perquè els alumnes realitzin les comprovacions i el desenvolupament que se'ls sol·liciti en els enunciats de la pràctica. L'alumne lliurarà una memòria de la pràctica al final de la sessió, sobre la qual el professor avaluarà que s'han desenvolupat adequadament els conceptes pràctics que s'han plantejat en l'enunciat de la pràctica. Aquesta activitat es realitza per parelles i es pressuposa que continua fora de l’aula. Les sessions de pràctica estaran orientades a cobrir els punts pràctics dels continguts abordats a la classe de teoria.

Sessions de Seminaris

Aquestes sessions estan dedicades a descriure punts de particular rellevància dels blocs de contingut de l'assignatura. Les sessions de seminaris consisteixen en sessions de dues hores de durada. En aquestes sessions, el professor dirigirà i plantejarà problemes específiques que ajudaran a reforçar els coneixements adquirits en les sessions de teoria i en les pràctiques de l'assignatura. Els alumnes han de lliurar les solucions al començament del seminari, i a més a més es demanarà a els alumnes que presentin les seves solucions a la pissarra. Per aquesta activitat, el professor disposarà d'ordinador, projector i pissarra com material suport. Es podran emprar transparències i en general, qualsevol tipus de material que ajudi a reforçar els conceptes adquirits en les sessions de teoria de l'assignatura. Las activitats seran portadas a terme en grups de 3-4 estudiants.

Avaluació

En l’avaluació continuada es té en compte cada una de les tres activitats que constitueixen l’assignatura: classes de teoria, laboratoris y seminaris:

 

Activitat

Avaluació

Recuperable?

Teoria

Avaluació mitjançant un examen final

Si

Laboratoris

Avaluació amb les pràctiques de programació (LP) i examen final de practiques (LE)

LP: No

LE: Si

Seminaris

Avaluació mitjançant resolució d'exercicis de seminari

No

 

 

T: l’avaluació de la teoria mitjançant un examen final (recuperable al juliol)

L: l’avaluació del laboratoris amb les pràctiques de programació (no recuperable) i examen final de practiques (recuperable al juliol).

S: l’avaluació dels seminaris (no recuperable)

 

En l’avaluació, cal aprovar cada una de les tres activitats per separat i la nota final s’obté fent la mitjana ponderada de la següent forma:

 

Nota Final = 0,6 * T + 0,3 * L + 0,1 * S

 

L’examen de teoria es realitzarà sobre els continguts desenvolupats a classe de teoria i als seminaris. És un examen escrit i individual que avalua totes les competències desenvolupades al llarg de l’assignatura. Aquesta avaluació és obligatòria i ha de ser qualificada amb com a mínim un 50% per tal de aprovar l’assignatura.

 

En els laboratoris es realitzen un sèrie de pràctiques que posen a prova la capacitat dels alumnes de aplicar la teoria en forma de programes en un ordinador. Les pràctiques es realitzen en parella, de manera que els alumnes hagin de cooperar i saber comunicar-se per resoldre els problemes. L’avaluació de les pràctiques també és obligatòria es qualificada en 2 parts: una evaluació continuada al llarg del trimestre en forma de entrega de programas de ordenador (LP), i l’altra com una part del examen final de l’assignatura dedicada a temes de pràctiques (LE). Cada una de les partes han de ser qualificadas com a mínim amb un 50% per aprovar l’assignatura.  La nota L correspondent a la nota de pràctiques s’obté fent la mitjana ponderada de la següent forma:

 

L = 0,6 * LP + 0,4 * LE

 

Els detalls dels terminis de lliurament de les pràctiques al llarg del trimestre i de les penalitzacions per retard en el seu lliurament serà publicada al campus global de l'assignatura.

 

Abans de cada seminari es presentaran problemes als alumnes per tal que ells els resolguin en equips de tres o quatre abans de la sessió, com a una preparació prèvia al seminari. Aquests problemes corresponen a conceptes o coneixements tractats a classe de teoria. Els alumnes tendrán tiempo para finalizar sus respuestas a los problemas al començament del seminari, después de lo cual pasarán aleatoriamente a pesentar les seves solucions a la pissarra (digital). En l’avaluació es tindrà en compte la preparació del seminari, la presentació de la solució proposta, i l’aprofitament del seminari. L’avaluació del treball dels seminaris és obligatòria.

 

En cas de no aprovar l’assignatura en l’avaluació exposada en els punts anteriors, l’alumne té dret a una convocatòria en el mes de juliol. En la convocatòria de juliol solament serà possible recuperar la part de l'examen de teoria i la part de l'examen final de pràctiques. És a dir, la part de pràctiques de programació i la part de seminaris no són recuperables en la convocatòria de juliol. La nota d’aquesta convocatòria s’obtindrà de la mateixa manera que la nota de la convocatòria ordinària explicada anteriorment.

 

 

Bibliografia i recursos d'informació

Bibliografia bàsica
Data mining [Recurs electrònic] : practical machine learning tools and techniques / Ian H. Witten, Eibe Frank, Mark A. Hall
Hands-On Machine Learning with ScikitLearn & TensorFlow, Aurélien Géron, O'Reilly
Machine learning / Tom M. Mitchell
Machine learning : an algorithmic perspective / Stephen Marsland

Recursos didàctics. Material docent de l’assignatura 
Web de la assignatura
Apunts
Colecció d’exercicis 
Enunciats de les pràctiques

Recursos didàctics. Materials i eines de suport 
Matlab programming language
Weka software
Scikit-Learn
TensorFlow


Academic Year: 2022/23

3378 - Bachelor's degree in Biomedical Engineering

25369 - Automatic Learning for Applications in Biomedicine


Teaching Guide Information

Academic Course:
2022/23
Academic Center:
337 - Engineering School
Study:
3378 - Bachelor's degree in Biomedical Engineering
Subject:
25369 - Automatic Learning for Applications in Biomedicine
Ambit:
---
Credits:
4.0
Course:
3 and 4
Teaching languages:
Theory: Group 1: English
Practice: Group 101: English
Group 102: English
Seminar: Group 101: English
Teachers:
Rafael Ramirez Melendez
Teaching Period:
Second quarter
Schedule:

Presentation

The subject of Machine Learning for Biomedical Applications is an optional subject offered during the course of biomedical, computer, audiovisual, telematics, and biomedical engineering. The subject has a theoretical and a practical component. Within the theoretical component, the emphasis is on understanding the concepts on an intuitive level rather than on the strict use of mathematical language.

The subject is composed of three main activities: theory classes, seminars, and laboratories. In the theory classes, the formal and mathematical concepts are introduced and examples of their application are shown. In the seminars, students solve small problems. Each problem corresponds to one of the concepts introduced in the theory class. In the laboratories, there are more complex and more computational problems so that students have the opportunity to put into practice the concepts learned.

Associated skills

RA.CE4.5 Solve complex problems using machine learning and data mining techniques.

The fundamental objective of the subject is for students to acquire the fundamental aspects related to the theory and application of the main machine learning algorithms and in particular their application to biomedicine.

General competencies 

Specific competencies 

 

Instrumental

1. Capacity to reason at an abstract level 
2. Cognitive ability
3. Common sense

 

Interpersonal

4. Communication skills

 

Systemic

5. Capacitat d'identificar la millor metodologia per resoldre un problema.
6. Capacitat de solucionar problemes combinant de manera nova i no trivial elements ja coneguts
7. Capacitat de generar idees

 

 

 

 

1. Capacitat d'entendre a nivell intuïtiu i formal els diferents aspectes en algebra, calcul I algoritmes.

2. Capacitat d'aplicar els coneixements de algoritmes de aprenentatge automàtic en contextos pràctics.

3. Capacitat d'entendre les diferencies entre diversos algoritmes de aprenentage automatic a nivel teoric i sobre tot a nivel practic. Capacitat de aplicar el algoritmes en el contexto de la biomedicina.

 

Learning outcomes

The aim of the course is to understand and implement the different algorithms for machine learning and data mining. More specifically, the aim is to get students to develop the ability to specify machine learning problems and to implement solutions to practical problems. Likewise, students should develop skills to understand the properties of different algorithms and identify the best algorithm for different problems.

Sustainable Development Goals

Quality education # Health and well-being

Prerequisites

The previous knowledge for the follow-up of the subject is notions of basic mathematics acquired in the first two years of studies. In particular, the previous knowledge required for the subject is:

  • Basic algebraic notions: functions (injective, bijective), sets, and elementary operations on sets.
  • Basic notions of calculus, statistics, and probability
  • Basic arithmetic.
  • Basic ability to understand and write mathematical expressions.

This subject assumes the assimilation of the basic concepts learned in linear algebra, as well as in calculus.

Contents

Content Blocks

    • Content block 1. Introduction to Machine learning, supervised and unsupervised learning, linear regression, logistic regression, overfitting, model evaluation
    • Content block 2. Decision trees, multilayer perceptron, deep learning, support vector machines, k-nearest neighbour, evolutionary algorithms, clustering
    • Content block 3. Feature selection, practical machine learning, big data, applications.
    •  

Content block 1. Introduction to ML

Concepts

Procedures

Attitudes

1. inductive learning, supervised/unsupervised learning

2. overfitting, model evaluation

3. Linear regression,  logístic regression.

1. Understand the concepts of supervised and unsupervised learning,

2.. Understand the concept of overfitting and the different evaluation measures by induced models.

3. To be able to implement and apply the linear regression and logistic regression algorithms for regression and classification problems

1. Appreciate the different types of learning and the different issues to which it applies

2. Willingness to try to understand concepts that initially seem complex.

 

 

 

Content block 2. ML algorithms

Concepts

Procedures

Attitudes

1. Decision trees, multilayer perceptron, deep learning, support vector machines,

k-nearest neighbour, evolutionary algorithms, clustering

1. Describe the process of executing different machine learning algorithms

 

2. Choose and apply different machine learning algorithms to real problems.

 

1. Willingness to try to understand concepts that initially seem complex.

 

2. Predisposition to acquire knowledge

solid base

 

Content block 3. Practical ML

Concepts

Procedures

Attitudes

1. Feature selection, practical machine learning, big data


2. Applicacions en Biomedicina

 

 

1. Apply machine learning techniques to real problems.

 

2. Differentiate between the different mechanisms available in machine learning, their advantages, and disadvantages

 

3. Analyze trained models and identify measures to optimize results

1. Willingness to try to understand concepts that initially seem complex.

 

2. Predisposition to acquire knowledge solid base

 

3. Availability of dedicate time necessary for each concept

 

Teaching Methods

Methodology

The methodological approach of the subject:

Theory classes

These classes address the theoretical concepts of content blocks of the subject. Theory classes consist of two-hour sessions. The teacher will carry out the explanations of the theoretical contents of the subject for which a computer, projector, and blackboard will be available as support material. Transparencies will be used to serve as class notes for students. The concepts analyzed in this type of session will be used in the two remaining learning activities of the subject; Seminar Sessions And Internship Sessions. The student will have to complement this activity with a careful reading of his / her own notes and the additional material that the teacher has provided. For example, a 2-hour theory session, conveniently used, will require an additional 1-hour out-of-class work by the student.

Lab Sessions

In these sessions, the practical points of the content block of the subject are developed. These sessions are done in the lab and last for two hours. The internship teacher will deliver a statement explaining the development of the internship and give the necessary guidelines for students to perform the checks and development requested in the internship statements. The student will deliver a report of the practice at the end of the session, on which the teacher will evaluate that the practical concepts that have been raised in the statement of the practice have been developed properly. This activity is done in pairs and is expected to continue outside the classroom. The practice sessions will be aimed at covering the practical points of the contents addressed in the theory class.

Seminar Sessions

These sessions are dedicated to describing points of particular relevance of the content blocks of the subject. Seminar sessions consist of two-hour sessions. In these sessions, the teacher will direct and raise specific problems that will help to reinforce the knowledge acquired in the theory sessions and in the practices of the subject. Students must hand in the solutions at the beginning of the seminar, and students will also be asked to present their solutions on the board. For this activity, the teacher will have a computer, projector and blackboard as support material. Transparencies and, in general, any type of material that can help reinforce the concepts acquired in the theory sessions of the subject can be used. The activities will be carried out in groups of 3-4 students.

 

 

 

 

 

 

 

 

 

Evaluation

General evaluation criteria

The continuous assessment takes into account each of the three activities that make up the subject: theory classes, laboratories, and seminars:

Activity

Evaluation

Recoverable?

Theory

Evaluation by a final exam un

yes

Labs

Assessment with programming labs (LP) and final exam of labs (LE)

LP: No

LE: Yes

Seminars

Evaluation by seminar exercises  

No

 

T: Assessment of the theory by a final exam (recoverable in July)

L: Laboratory assessment with programming practices (non-recoverable) and final practice exam (recoverable in July).

S: Seminar evaluation (non-recoverable)

 

In the assessment, each of the three activities must be passed separately and the final grade is obtained by weighting the average as follows:

Final grade= 0,6 * T + 0,3 * L + 0,1 * S

The theory test will be conducted on the contents developed in the theory class and in the seminars. It is a written and individual exam that assesses all the skills developed throughout the course. This assessment is mandatory and must be graded with at least 50% in order to pass the course.

In the laboratories, a series of practices are carried out that test the students' ability to apply the theory in the form of programs on a computer. The practices are carried out in pairs, so that the students have to cooperate and know how to communicate to solve the problems. The evaluation of the practices is also compulsory is qualified in 2 parts: a continuous evaluation throughout the term in the form of delivery of computer programs (LP), and the other as a part of the final exam of the subject dedicated to internship topics (LE). Each party must be at least 50% qualified to pass the course. The L grade corresponding to the internship grade is obtained by weighting the average as follows:

L = 0.6 * LP + 0.4 * LE

Details of the deadlines for the delivery of the internship throughout the term and the penalties for late delivery will be published on the global campus of the subject.

Students will be presented with problems before each seminar so that they can solve them in teams of three or four before the session, as a pre-seminar preparation. These problems correspond to concepts or knowledge covered in theory class. Students will have time to finalize their answers to the problems at the beginning of the seminar, after which they will randomly present their solutions on the board. The evaluation will take into account the preparation of the seminar, the presentation of the proposed solution, and the use of the seminar. Evaluation of seminar work is mandatory.

If the subject is not passed in the assessment set out in the previous points, the student is entitled to a call in July. In the July call it will only be possible to recover the part of the theory exam and the part of the final practice exam. That is to say, the part of programming practices and the part of seminars are not recoverable in the call of July. The mark of this call will be obtained in the same way as the note of the ordinary call explained above.

 

Bibliography and information resources

Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, Geron, A., O’Reilly (2019)

Data mining [Recurs electrònic]: practical machine learning tools and techniques / Ian H. Witten, Eibe Frank, Mark A. Hall

Machine learning / Tom M. Mitchell

Machine learning: an algorithmic perspective / Stephen Marsland

 

Educational resources. Teaching material for the subject

  • Website of the subject
  • Notes
  • Collection of exercises
  • Practice statements

Educational resources. Materials and tools support

  • Matlab and Python programming languages
  • Weka software
  • Learn Scikit
  • Keras

 

 


Curso Académico: 2022/23

3378 - Grado en Ingeniería Biomédica

25369 - Aprendizaje Automático para Aplicaciones en Biomedicina


Información de la Guía Docente

Curso Académico:
2022/23
Centro académico:
337 - Escuela de Ingeniería
Estudio:
3378 - Grado en Ingeniería Biomédica
Asignatura:
25369 - Aprendizaje Automático para Aplicaciones en Biomedicina
Ámbito:
---
Créditos:
4.0
Curso:
4 y 3
Idiomas de docencia:
Teoría: Grupo 1: Inglés
Prácticas: Grupo 101: Inglés
Grupo 102: Inglés
Seminario: Grupo 101: Inglés
Profesorado:
Rafael Ramirez Melendez
Periodo de Impartición:
Segundo trimestre
Horario:

Presentación

La asignatura Aprendizaje Automático para Aplicaciones en Biomedicina es una asignatura optativa que se ofrece durante el curso de ingeniería biomédica, audiovisual, telemática e informática. La asignatura tiene un componente teórico y otro práctico. Dentro del componente teórico el énfasis está en la comprensión de los conceptos a nivel intuitivo más que en la utilización estricta de lenguaje matemático.

La asignatura está compuesta de tres actividades principales: clases de teoría, seminarios y laboratorios. En las clases de teoría se introducen los conceptos formales y matemáticos y se muestran ejemplos de su aplicación. En los seminarios, los alumnos resuelven pequeños problemas. Cada problema corresponde a uno de los conceptos introducidos en clase de teoría. En los laboratorios se presenten problemas de mayor complejidad y de carácter más computacional para que los alumnos tengan la oportunidad de poner en práctica los conceptos aprendidos.

Competencias asociadas

RA.CE4.5 Resuelve problemas complejos utilizando técnicas de aprendizaje automático y minería de datos.

El objetivo fundamental de la asignatura es que los alumnos adquieran los aspectos fundamentales relacionados con la teoría y aplicación de los principales algoritmos de aprendizaje automático y en particular su aplicación a la biomedicina.

 

 

Resultados del aprendizaje

El objetivo de la asignatura es extender y poner en práctica los diferentes algoritmos de aprendizaje automático y aplicarlos en el campo de la biomedicina. Pero concretamente, se pretende conseguir que los alumnos desarrollen la capacidad de especificar problemas de aprendizaje automático, e implementar soluciones para problemas prácticos. Asimismo, los estudiantes deberían desarrollar competencias para entender las propiedades de los distintos algoritmos e identificar el mejor algoritmo en diferentes problemáticas.

Objetivos de Desarrollo Sostenible

Educación de calidad # Salud y bienestar

Prerrequisitos

Los conocimientos previos para el seguimiento de la asignatura son nociones de matemáticas básicas adquiridas en los dos primeros cursos de los estudios. En particular, los conocimientos previos requeridos para la asignatura son:

Nociones algebraicas básicas: funciones (inyectivas, biyectivas), conjuntos y operaciones elementales sobre conjuntos.
Nociones básicas de cálculo, estadística y probabilidad
Aritmética básica.
Capacidad básica para comprender y escribir expresiones matemáticas.
Esta asignatura se asume la asimilación de los conceptos básicos aprendidos en Algebra lineal, así como en cálculo.

Contenidos

Blog de contenido 1.

 

Conceptos

Procedimientos

Actitudes

1. inductive learning, supervised/unsupervised learning

2. overfitting, model evaluation



3. Regressió lineal, regressió logística

1. Entendre els conceptes de aprenentatge supervisat i no supervisat,

2. . Entendre el concepte de overfitting i les diferents mesures d’evaluació per models induïts.


3. Poder implementar i aplicar les algorismes de regressió lineal y regressió logística para problemes de regressió y classificació

1. Apreciar els diferents tipus d’aprenentatge y les differents problematiques a les que se aplica

2. Disponibilitat a intentar entendre conceptes que
inicialment semblen
complexos.

 

 

 

 

Blog de contenido 2. 

 

Conceptos

Procedimientos

Actitudes

1. Decision trees, artificial neural networks, deep learning, suport vector machines,  k-nearest neighbor, evolutionary algorithms, clustering.



1. Descriure el procés d'execució de diferents algorismes de aprenentatge automàtic


2. Elegir i aplicar diferents algorismes de aprenentatge automàtic en problemàtiques reals.

 

 

1. Disponibilitat a intentar entendre conceptes que
inicialment semblen
complexos.

2. Predisposició a
adquirir coneixement
sòlid de base

 

 

Blog de contenido 3. 

 

Conceptos

Procedimientos

Actitudes

1. Feature selection, practical machine learning, big data


 

 

1. Aplicar techniques d’aprenentatge automàtic  en problemàtiques reals.

2. Diferenciar entre els diferents mecanismes disponibles en aprenentatge automàtic, las seves avantatges i disavantatges

 

3. Analitzar els models entrenados i identificar mesures per optimitzar els resultats 

1. Disponibilitat a intentar entendre conceptes que
inicialment semblen
complexos.

2. Predisposició a
adquirir coneixement
sòlid de base

3. Disponibilitat de
dedicar el temps
necessari a cada concepte

 

Metodología docente

Clases de Teoría

En estas clases se abordan los conceptos teóricos de los blogs de contenido de la asignatura. Las clases de teoría consisten en 9 sesiones de dos horas de duración. El profesor llevará a cabo las explicaciones de los contenidos teóricos de la asignatura para lo cual se dispondrá de ordenador, proyector y pizarra como material soporte. Se utilizarán transparencias que servirán como apuntes de clase para los alumnos. Los conceptos analizados en este tipo de sesiones serán utilizados en las dos actividades de aprendizaje restantes de la asignatura; Sesiones de Seminarios y Sesiones de Prácticas. El estudiante tendrá que complementar esta actividad con una lectura detenida de sus propios apuntes y el material adicional que el profesor haya proporcionado. Por ejemplo, una sesión de teoría de 2 horas, convenientemente aprovechadas, requerirá un trabajo adicional fuera del aula de 1 hora por parte del estudiante.

Sesiones de Prácticas

En estas sesiones se desarrollan los puntos prácticos del blog de contenido de la asignatura. Estas sesiones se realizan en el laboratorio (si es posible) y tienen una duración de dos horas. El profesor de prácticas entregará un enunciado en la que se explica el desarrollo de la práctica y dará las directrices necesarias para que los alumnos realicen las comprobaciones y el desarrollo que se les solicite en los enunciados de la práctica. El alumno entregará una memoria de la práctica al final de la sesión, sobre la que el profesor evaluará que se han desarrollado adecuadamente los conceptos prácticos que se han planteado en el enunciado de la práctica. Esta actividad se realiza por parejas y se presupone que sigue fuera del aula. Las sesiones de práctica estarán orientadas a cubrir los puntos prácticos de los contenidos abordados en la clase de teoría.

Sesiones de Seminarios

Estas sesiones están dedicadas a describir puntos de particular relevancia de los blogs de contenido de la asignatura. Las sesiones de seminarios consisten en sesiones de dos horas de duración. En estas sesiones, el profesor dirigirá y planteará problemas específicas que ayudarán a reforzar los conocimientos adquiridos en las sesiones de teoría y prácticas de la asignatura. Los alumnos deben entregar las soluciones al comienzo del seminario, y además se pedirá a los alumnos que presenten sus soluciones en la pizarra. Para esta actividad, el profesor dispondrá de ordenador, proyector y pizarra como material soporte. Se podrán utilizar transparencias y en general, cualquier tipo de material que ayude a reforzar los conceptos adquiridos en las sesiones de teoría de la asignatura. Las actividades serán llevadas a cabo en grupos de 3-4 estudiantes.

Evaluación

En la evaluación continua se tiene en cuenta cada una de las tres actividades que constituyen la asignatura: clases de teoría, laboratorios y seminarios:

 

Activitat

Avaluació

Recuperable?

Teoria

Avaluació mitjançant un examen final

Si

Laboratoris

Avaluació amb les pràctiques de programació (LP) i examen final de practiques (LE)

LP: No

LE: Si

Seminaris

Avaluació mitjançant resolució d'exercicis de seminari

No

 

T: la evaluación de la teoría mediante un examen final (recuperable en julio)

L: la evaluación de los laboratorios con las prácticas de programación (no recuperable) y examen final de prácticas (recuperable en julio).

S: la evaluación de los seminarios (no recuperable)

 

En la evaluación, es necesario aprobar cada una de las tres actividades por separado y la nota final se obtiene haciendo la media ponderada de la siguiente forma:

Nota Final = 0,6*T+0,3*L+0,1*S

El examen de teoría se realizará sobre los contenidos desarrollados en clase de teoría y en los seminarios. Es un examen escrito e individual que evalúa todas las competencias desarrolladas a lo largo de la asignatura. Esta evaluación es obligatoria y debe ser calificada con al menos un 50% para aprobar la asignatura.

En los laboratorios se realizan una serie de prácticas que ponen a prueba la capacidad de los alumnos de aplicar la teoría en forma de programas en un ordenador. Las prácticas se realizan en pareja, de forma que los alumnos tengan que cooperar y saber comunicarse para resolver los problemas. La evaluación de las prácticas también es obligatoria se calificada en 2 partes: una evaluación continuada a lo largo del trimestre en forma de entrega de programas de ordenador (LP), y la otra como una parte del examen final de la asignatura dedicada a temas de prácticas (LE). Cada una de las partes deben ser calificadas como mínimo con un 50% para aprobar la asignatura. La nota L correspondiente a la nota de prácticas se obtiene haciendo la media ponderada de la siguiente forma:

L = 0,6 * LP + 0,4 * LE

Los detalles de los plazos de entrega de las prácticas a lo largo del trimestre y de las penalizaciones por retraso en su entrega serán publicadas en el campus global de la asignatura.

Antes de cada seminario se presentarán problemas a los alumnos para que ellos resuelvan en equipos de tres o cuatro antes de la sesión, como una preparación previa al seminario. Estos problemas corresponden a conceptos o conocimientos tratados en clase de teoría. Los alumnos tendrán tiempo para finalizar sus respuestas a los problemas al comienzo del seminario, tras lo cual pasarán aleatoriamente a pesentar sus soluciones en la pizarra (digital). En la evaluación se tendrá en cuenta la preparación del seminario, la presentación de la solución propuesta y el aprovechamiento del seminario. La evaluación del trabajo de los seminarios es obligatoria.

En caso de no aprobar la asignatura en la evaluación expuesta en los puntos anteriores, el alumno tendrá derecho a una convocatoria en el mes de julio. En la convocatoria de julio sólo será posible recuperar la parte del examen de teoría y la parte del examen final de prácticas. Esto es, la parte de prácticas de programación y la parte de seminarios no son recuperables en la convocatoria de julio. La nota de esta convocatoria se obtendrá de la misma forma que la nota de la convocatoria ordinaria explicada anteriormente.

Bibliografía y recursos de información

Bibliografia bàsica
Data mining [Recurs electrònic] : practical machine learning tools and techniques / Ian H. Witten, Eibe Frank, Mark A. Hall
Hands-On Machine Learning with ScikitLearn & TensorFlow, Aurélien Géron, O'Reilly
Machine learning / Tom M. Mitchell
Machine learning : an algorithmic perspective / Stephen Marsland

Recursos didàctics. Material docent de l’assignatura 
Web de la asignatura
Apuntes
Colección de ejercicios 
Enunciados de las prácticas

Recursos didácticos. Materiales y soporte 
Matlab programming language
Weka software
Scikit-Learn
TensorFlow