| Additional title: |
Machine Learning |
| Additional title: |
Aprendizaje Computacional |
| Date: |
2023-24 |
| Abstract: |
L'assignatura d'Aprenentatge Computacional, s'emmarca dins de la menció de "Computació", juntament amb assignatures com "Coneixement, Raonament i Incertesa", "Visió per Computador" i "Robòtica, Llenguatge i Planificació ". Per la seva temàtica, però, aquesta assignatura no només és pels alumnes que cursen la menció de "Computació", sino per a alumnes de qualsevol menció ja que està estretament relacionada amb l'assignatura d'"Intel·ligència Artificial" de segon curs. De totes formes, és molt recomanable haver cursat i sentir-se còmode amb els conceptes vistos en les assignatures de "Càlcul", "Àlgebra" i "Matemàtica discreta" de primer curs, i d'"Estadística" de segon curs, degut al fort contingut matemàtic d'aquesta assignatura. L'assignatura preten tant ampliar alguns dels temes desenvolupats durant "Intel·ligència Artificial", com introduir nous problemes associats a la intel·ligència artificial, principalment l'aprenentatge de conceptes i tendències a partir de dades. Es tracta de formar a l'alumne per ser un "enginyer de dades", i és una de les professions amb més futur i més demandades en l'actualitat per empreses com Facebook, Google, Microsoft i Amazon. De fet, es preveu que el creixement de la demanda d'aquest professionals en enginyeria de dades sigui exponencial a nivell europeu, sobretot degut al creixement en la generació de dades massives. Aixi, el principal objectiu de l'assignatura és que l'alumne sàpiga trobar una bona solució (a vegades la millor és 1 principal objectiu de l'assignatura és que l'alumne sàpiga trobar una bona solució (a vegades la millor és impossible) a problemes en contextes diferents dels tractats, a partir d'identificar les necessitats de representació del coneixement i, segons sigui aquest, aplicar la/les tècnica/ques més adecuada/es per generar automàticament bons models matemàtics que expliquin les dades ambun error acceptable. Els continguts escollits per aquesta assignatura també es donen a les Universitats de Stanford, Toronto, Imperial College London, MIT, Carnegie Mellon i Berkeley, per posar els noms més representatius. Per tant, per una banda s'ofereix a l'alumne una oportunitat d'assolir uns coneixements i habilitats comparables als impartits en les millors universitats. Per altra banda, l'alumne ha de ser conscient que aquest coneixement que és punta de llança de l'estat de l'art te una dificultat inherent, implicant un estudi i una dedicació considerables, quantificada en hores en la secció d'Activitats formatives d'aquesta guia. Això és perquè en aquesta assignatura no només s'ensenyen els continguts més importants per esdevenir enginyer de dades, sino a més es treballa una línia de currículum que permeti ampliar el ventall de llocs de treball als que podreu accedir després de la carrera, així com posar les bases metodològiques necessàries per fer un Màster en enginyeria de dades o en intel·ligència artificial. Si es vol cursar una assignatura (i) per aprendre seriosament i no només per aprovar a la lleugera, (ii) per obrir un mercat laboral també a nivell internacional, i (iii) per descobrir els propis límits de programnació aprenent els algorismes d'aprenentatge computacional més utilitzats no només per les grans empreses tecnològiques mencionades, sino també en moltes spin-offs d'enginyeria de dades en el nostre país, aquesta assignatura no defrauda si es posa actitud i aptitud. Els objectius de l'assignatura es poden resumir en: Coneixements: - Descriure les tècniques bàsiques d'aprenentatge computacional. - Enumerar els passos essencials dels diferents algorismes d'aprenentatge - Identificar els avantatges i inconvenients dels algorismes d'aprenentatge que s'expliquen. - Resoldre problemes computacionals aplicant diferents tècniques d'aprenentatge per trobar la solució òptima. - Entendre el resultat i les limitacions de les tècniques d'aprenentatge en diferents casos d'estudi. - Saber escollir l'algorisme d'aprenentatge més adequat per solucionar problemes contextualitzats. Habilitats: - Reconèixer les situacions en les quals l'aplicació d'algorismes d'aprenentatge computacional pot ser adient per solucionar un problema - Analitzar el problema a resoldre i dissenyar la solucióòptima aplicant les tècniques apreses - Redactar documents tècnics relacionats amb l'anàlisi i la solució d'un problema - Programar els algorismes bàsics per solucionar els problemes proposats - Avaluar els resultats de la solució implementada i valorar les possibles millores - Defensar i argumentar les decisions preses en la solució dels problemes proposats. |
| Abstract: |
The Course on Machine Learning is embedded in the "Computing" mention, along with other subjects like "Knowledge, Reasoning and Uncertainty", "Computer Vision" and "Robotics, Language and Planning". Due to its contents, this subject is not only for students who follow the "Computing" mention, but indeed for any student of the Computer Engineering grade, since it is closely related to the subject of "Artificial Intelligence" in the second year. It is also highly recommended to have understood and feel manageable with the mathematical concepts explained in the subjects of "Calculus", "Algebra" and "Discrete Mathematics" of the first year, and "Statistics" of the second year, due to the strong mathematical content of this Course. The course aims both to expand some of the topics developed during "Artificial Intelligence", and to introduce new problems associated with AI, mainly the learning of concepts and trends from data. It is about training students to be "data engineers/scientists", one of the occupations with the most brilliant future and most demanded by an increasing number of companies, including Facebook, Google, Microsoft and Amazon, to cite but a few. In fact, it is expected that the growth of the demand of these professionals in data engineering/science will be exponential at an international level, especially due to the growth in the generation of massive data. Thus, the main objective of the Course is to teach how to find a good solution (sometimes the best one is impossible) for different data analysis problems at different context,, based on identifying the best 1 best one is impossible) for different data analysis problems at different context,, based on identifying the best knowledge representation and applying the most appropriate technique to automatically generate good mathematical models that best explain the observed data with an acceptable deviation. The contents taught in this Course are also given in the Universities of Stanford, Toronto, Imperial College London, MIT, Carnegie Mellon and Berkeley, to put just the most representative names. Therefore, on the one hand, thestudent gets an opportunity to achieve knowledge and skills comparable to those taught at the best universities. On the other hand, the student must be aware that this knowledge has an inherent mathematical difficulty, which involves considerable study and dedication. This is because in this Course not only the most important contents to become a data engineer are taught, but also a curriculum line is formed to allow the student to expand the range of jobs available after the Career, as well as giving the necessary methodological bases for carrying out a Master degree in data engineering/science or artificial intelligence. If you are looking for a Course to open an international labor market, and to learn the most used machine learning algorithms in not only the great technological companies mentioned above, but also in many data analysis SME and spin-offs in our country, this Course will not disappoint if you put both attitude and aptitude. The objectives of the Course can be summarized in: Knowledge: - Describe the basic techniques of computer learning. - List the essential steps of different machine learning algorithms - Identify the advantages and disadvantages of the learning algorithms. - Solve problems by applying different machinelearning techniques to find the optimal solution. - Understand the results and limitations of each learning technique in different case studies. - Know how to choose the most appropriate learning algorithm to solve contextualized problems. Skills: - Recognize situations in which the application of machine learning algorithms may be adequate - Analyze the problem to solve and design the optimal solution applying the learned techniques - Write technical documents related to the analysis and solution of a problem - Program the basic algorithms to solve the proposed problems - Evaluate the results of the implemented solution and propose possible improvements - Defend and argue the decisions taken in the solution of proposed problems. |
| Abstract: |
La asignatura de Aprendizaje Computacional, se enmarca dentro de la mención de "Computación", junto con asignaturas como "Conocimiento, Razonamiento e Incertidumbre", "Visión por Computador" y "Robótica, Lenguaje y Planificación". Por su temática, esta materia no sólo es para los alumnos que cursan la mención de "Computación", sino para cualquier Mención de la carrera de Ingeniería Informática ya que está estrechamente relacionada con la asignatura de "Inteligencia Artificial" de segundo curso. También es muy recomendable haber cursado y sentirse cómodo con los conceptos vistos en las asignaturas de "Cálculo", "Álgebra" y "Matemática discreta" de primer curso, y de "Estadística" de segundo curso, debido al fuerte contenido matemático de la asignatura. La asignatura pretende tanto ampliar algunos de los temas desarrollados durante "Inteligencia Artificial", como introducir nuevos problemas asociados a la inteligencia artificial, principalmente el aprendizaje de conceptos y tendencias a partir de datos. Se trata de formar al alumno para ser un "ingeniero o científico de datos", y es una de las profesiones con más futuro y más demandadas en la actualidad por empresas como Facebook, Google, Microsoft y Amazon. De hecho, se prevé que el crecimiento de la demanda de estos profesionales en ingeniería de datos sea exponencial a nivel europeo, sobre todo debido al crecimiento en la generación de 1 ingeniería de datos sea exponencial a nivel europeo, sobre todo debido al crecimiento en la generación de datos masivas. Así, el principal objetivo de la asignatura es que el alumno sepa encontrar una buena solución (a veces la mejor es imposible) a problemas en contextos distintos de los tratados en clase, a partir de identificar las necesidades de representación del conocimiento en cada caso y, según sea éste, aplicar la/s técnica/ s más adecuada/s para generar automáticamente buenos modelos matemáticos que expliquen los datos con un error aceptable. Los contenidos elegidos para esta asignatura también se dan en las Universidades con más prestigio a nivel mundial, como Stanford, Toronto, Imperial College London, MIT, Carnegie Mellon y Berkeley, por poner los centros más representativos. Por lo tanto, por un lado se ofrece al alumno una oportunidad de alcanzar unos conocimientos y habilidades comparables a los impartidos en las mejores universidades. Por otra parte, el alumno debe ser consciente de que este conocimiento que es punta de lanza del estado del arte tiene una dificultad inherente, implicando un estudio y una dedicación considerables, cuantificada en horas en la sección de Actividades formativas de esta guía. Esto es porque en esta asignatura no sólo se enseñan los contenidos más importantes para convertirse en ingeniero de datos, sino además se trabaja una línea de currículo que permita ampliar el abanico de puestos de trabajo a los que podrá acceder tras la carrera, así como poner las bases metodológicas necesarias para realizar un Master en ingeniería de datos o en inteligencia artificial. Si se busca una asignatura (i) para aprender seriamente y no sólo para aprobar a la ligera, (ii) para abrir un mercado laboral también a nivel internacional, y (iii) para descubrir los propios límites de programación aprendiendo los algoritmos de aprendizaje computacional más utilizados no sólo para las grandes empresas tecnológicas mencionadas anteriormente, sino también en muchas spin-offs de ingeniería de datos en nuestro país, esta asignatura no defrauda si se pone actitud y aptitud. Los objetivos de la asignatura se pueden resumir en: Conocimientos: - Describir las técnicas básicas de aprendizaje computacional. - Enumerar los pasos esenciales de los diferentes algoritmos de aprendizaje - Identificar las ventajas e inconvenientes de los algoritmos de aprendizaje que se explican. - Resolver problemas computacionales aplicando diferentes técnicas de aprendizaje para encontrar la solución óptima. - Entender el resultado y las limitaciones de las técnicas de aprendizaje en diferentes casos de estudio. - Saber escoger el algoritmo de aprendizaje más adecuado para solucionar problemas contextualizados. Habilidades: - Reconocer las situaciones en las que la aplicación de algoritmos de aprendizaje computacional puede ser adecuado para solucionar un problema - Analizar el problema a resolver y diseñar la solución óptima aplicando las técnicas aprendidas - Redactar documentos técnicos relacionados con el análisis y la solución de un problema - Programar los algoritmos básicos para solucionar los problemas propuestos - Evaluar los resultados de la solución implementada y valorar las posibles mejoras - Defender y argumentar las decisiones tomadas en la solución de los problemas propuestos. |
| Rights: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.  |
| Language: |
Català, anglès, castellà |
| Studies: |
Grau en Enginyeria Informàtica [2502441] |
| Study plan: |
Grau en Enginyeria Informàtica (Menció en Enginyeria de Computadors) i Grau en Enginyeria Electrònica de Telecomunicació [1206] ; Grau en Enginyeria Informàtica (Menció en Tecnologies de la Informació) i Grau en Enginyeria de Sistemes de Telecomunicació [1207] ; Enginyeria Informàtica [958] |
| Document: |
Objecte d'aprenentatge |
guest ::
