Sistemes d'Informació

Grup	Professor	Departament	Idioma
Year 2	Jordi Tarda Valls	Operaciones, Innovación y Data Sciences	CAT, ESP

Contribució de l'assignatura al programa

Disposar de dades suposa transformar la societat i les organitzacions. L'aprenentatge automàtic i la intel·ligència artificial proporcionen un conjunt de marcs, teories i mètodes per utilitzar les dades en la presa de decisions. Aquest curs contribueix al programa de la manera següent:

1) Els estudiants adquiriran els coneixements bàsics necessaris sobre l'aprenentatge automàtic i la seva aplicació pràctica dins de l'empresa.

2) Els estudiants desenvoluparan les habilitats necessàries que els permetran utilitzar aquestes tècniques per si mateixos usant el llenguatge de programació Python, l'estàndard "de facto" en la majoria d'empreses.

Objectius d'aprenentatge de l'assignatura

1. Reconèixer i utilitzar el llenguatge científic amb fluïdesa en problemes relacionats amb l'anàlisi de dades.
2. Comprendre i relacionar conceptes matemàtics, estadístics i informàtics per resoldre problemes relacionats amb la ciència de dades.
3. Fer servir el raonament formal per resoldre problemes basats en dades.
4. Ser capaç d'usar una mentalitat orientada a l'ús de les dades per resoldre problemes analítics.

Continguts

1. Mentalitat computacional La ciència de dades requereix certa comprensió sobre com els ordinadors emmagatzemen i accedeixen a les dades. En aquest tema estudiarem diferents estructures de dades i com fer-les servir per analitzar les dades emmagatzemades. També introduirem els elements bàsics de programació en Python, com ara les funcions, els condicionals i els bucles.
2. Models lineals Els models lineals són les tècniques de ciència de dades més simples i fàcils. En aquest tema estudiarem models de regressió lineal i regressió logística. Descriurem tots dos models des d'una perspectiva matemàtica, així com des d'una perspectiva pràctica. Per fer-ho, introduirem NumPy, una biblioteca de Python per a l'anàlisi numèrica, i implementarem tots dos models en Python.
3. Aprenentatge automàtic Un dels reptes principals de la ciència de dades és el desenvolupament i l'avaluació d'algoritmes i models d'aprenentatge automàtic. Durant la segona part del curs presentarem tant la taxonomia com la metodologia estàndard per al seu desenvolupament i avaluació. Utilitzarem els arbres de decisió com a exemple il·lustratiu d'aquests models i definirem diferents mètriques per avaluar-ne correctament el rendiment i precisió, per això utilitzarem diferents biblioteques de Python, com ara Pandas i Scikit-Learn.

1. Mentalitat computacional

La ciència de dades requereix certa comprensió sobre com els ordinadors emmagatzemen i accedeixen a les dades. En aquest tema estudiarem diferents estructures de dades i com fer-les servir per analitzar les dades emmagatzemades. També introduirem els elements bàsics de programació en Python, com ara les funcions, els condicionals i els bucles.

2. Models lineals

Els models lineals són les tècniques de ciència de dades més simples i fàcils. En aquest tema estudiarem models de regressió lineal i regressió logística. Descriurem tots dos models des d'una perspectiva matemàtica, així com des d'una perspectiva pràctica. Per fer-ho, introduirem NumPy, una biblioteca de Python per a l'anàlisi numèrica, i implementarem tots dos models en Python.

3. Aprenentatge automàtic

Un dels reptes principals de la ciència de dades és el desenvolupament i l'avaluació d'algoritmes i models d'aprenentatge automàtic. Durant la segona part del curs presentarem tant la taxonomia com la metodologia estàndard per al seu desenvolupament i avaluació. Utilitzarem els arbres de decisió com a exemple il·lustratiu d'aquests models i definirem diferents mètriques per avaluar-ne correctament el rendiment i precisió, per això utilitzarem diferents biblioteques de Python, com ara Pandas i Scikit-Learn.

Metodologia

Pel que fa a la metodologia utilitzada en el curs, es combinaran sessions magistrals, sessions de problemes i la realització de problemes de manera autònoma.

Descripció	%
Examen final	40
Examen parcial	40
Test seguiment classes participatives	20

Criteris d'avaluació

L'avaluació consta de dues proves, un examen parcial i un examen final, i d'un seguit de miniproves que es faran al final de les classes participatives.

Per aprovar l'assignatura la nota de l'examen final ha de ser igual o superior a 4,0 (sobre 10).

L'assistència tant a les classes magistrals com a les classes participatives és obligatòria, només podran fer les proves de seguiment els estudiants que hagin assistit a les classes.

Horaris i seccions

Grup	Professor	Departament
Year 2	Jordi Tarda Valls	Operaciones, Innovación y Data Sciences

Horari Year 2

Del 3/2/2023 al 10/3/2023:
Cada divendres de 8:00 a 9:00. (Excepte: 24/2/2023)
Cada divendres de 9:00 a 10:30. (Excepte: 24/2/2023)

Del 16/3/2023 al 31/3/2023:
Cada divendres de 8:00 a 9:00. (Excepte: 17/3/2023)
Cada dijous de 9:45 a 12:30. (Excepte: 23/3/2023 i 30/3/2023)
Cada dijous de 9:45 a 12:00. (Excepte: 23/3/2023 i 30/3/2023)

Del 24/3/2023 al 5/5/2023:
Cada divendres de 9:00 a 10:30. (Excepte: 7/4/2023)

Del 14/4/2023 al 5/5/2023:
De dijous a divendres de 8:00 a 9:00. (Excepte: 20/4/2023 i 4/5/2023)
Cada dijous de 9:00 a 10:30. (Excepte: 20/4/2023 i 4/5/2023)

Dilluns 22/5/2023 de 9:45 a 12:00.

Tipus:	OBL	Curs:	2	Període:	S semestre
Crédits ECTS:	4 ECTS

Sistemes d'Informació (2225.YR.009143.2)

Dades generals

Tipus:

Curs:

Període:

Crédits ECTS:

Professorat:

Prerequisits

Coneixements previs

Distribució de la càrrega de treball