Aprendizaje computacional

Aprendizaje computacional

Servicio: Resolución / Universidad: UOC / Curso 2025/2026 Semestre 2

Encarga la Resolución de PACs o PECs UOC

Modalidad Personalizada: 100 €/PAC, 200€/Práctica
Modalidad Compartida: 70€/PAC, 140€/Práctica

100,00 €

SKU: 75.583 Categoría:

Encarga Exámenes Finales


Otras Asignaturas

Tips para resolver tus PACs

Tips para la PAC1 de Aprendizaje computacional
  • La estandarización es el "pilar" de todo el análisis (Ejercicio 1 y 3): No cometas el error de aplicar K-Means o calcular dendrogramas directamente sobre los datos brutos. Al tener atributos con escalas tan dispares (longitudes de frase vs. tasas de error), los algoritmos de distancia ignorarán los errores. Clave: Aplica siempre Z-Score (estandarización) antes de nada; si lo haces bien en el Ejercicio 1, podrás reutilizar la lógica fácilmente en el Ejercicio 3 con sklearn
  • En K-Means manual, ¡cuidado con el "truco" del mapeo de etiquetas! (Ejercicio 1b y 1e): Al calcular la exactitud, recuerda que K-Means agrupa en "Clúster 1" y "Clúster 2", pero no sabe cuál es "LLM" o "Humano". Pista: Comprueba siempre si la exactitud mejora al invertir las etiquetas (Clúster 1 = Humano). Si obtienes una exactitud muy baja (ej. 0%), probablemente tus grupos sean perfectos, pero tengas las etiquetas cruzadas.
  • Justifica el corte del dendrograma "mirando" las alturas (Ejercicio 2): No solo basta con generar el gráfico. Para proponer una categorización válida, debes observar las fusiones. Pista: Busca el mayor "salto" vertical en el dendrograma antes de la unión final; ese vacío grande indica que ahí es donde se separan realmente las dos clases (LLM vs. Humano).
  • Si el modelo parece no aprender con los hiperparámetros impuestos, no intentes "trucar" el código para forzar una métrica perfecta, sino demuestra tu madurez analítica explicando teóricamente por qué ocurre ese fenómeno matemático.
  • Al realizar los cálculos manuales, desglosa cada operación aritmética paso a paso en tu texto para que el evaluador pueda seguir la traza de tu razonamiento lógico, no solo verificar el resultado final.
  • Revisa siempre la estructura oculta de tus datos antes de alimentar la red, prestando especial atención a detalles sutiles como la codificación de las etiquetas (por ejemplo, pasar de valores 1-2-3 a índices 0-1-2) que pueden causar errores silenciosos de dimensión.
Resolver PAC1 Aprendizaje computacional
Tips para la PAC3 de Aprendizaje computacional
  • En el ejercicio de CartPole, no te limites a ejecutar el código aleatorio. La clave está en entender la diferencia entre terminated (el agente falló, la pértiga cayó) y truncated (se acabó el tiempo). Para mejorar el agente, no basta con un bucle for. Implementa un ciclo while que se detenga solo cuando el entorno diga que ha terminado. ¡Acumular la recompensa total (total_reward) es tu métrica real de éxito, no solo el número de pasos!
  • Al crear tu DogMazeEnv, presta mucha atención al método step(). Si el perro choca, la recompensa debe ser negativa (-10), pero si llega a la meta, ¡debe ser alta (+100)! Antes de entrenar con Q-Learning, prueba tu entorno con movimientos aleatorios. Si usas el Laberinto B y el agente nunca llega a la meta, no es culpa del algoritmo, ¡es que el mapa podría estar mal diseñado o bloqueado! Un buen agente necesita un entorno "aprendible".
  • No todos los hiperparámetros son iguales. En el análisis de las configuraciones A, B y C, fíjate en el epsilon (exploración) y el gamma (visión de futuro). Una configuración con epsilon muy bajo desde el inicio (como la A) hará que el agente sea "terco" y no explore nuevas rutas. Una con gamma bajo ignorará las recompensas futuras. La clave del éxito está en empezar explorando mucho (epsilon alto) e ir reduciéndolo poco a poco (epsilon_decay) para que el agente aproveche lo que ya ha aprendido.
Resolver PAC3 Aprendizaje computacional
Tips para la Práctica1 de Aprendizaje computacional
  • Define desde el inicio una estructura clara de la memoria (introducción, desarrollo por ejercicios, resultados y conclusiones) para no mezclar teoría, código y análisis.
  • En cada apartado donde uses un LLM, muestra siempre el prompt exacto, la salida obtenida y una breve valoración crítica del resultado.
  • Prioriza explicaciones simples acompañadas de métricas, tablas y capturas relevantes, porque la práctica valora más el análisis y la claridad que textos largos.
  • Comprueba manualmente todos los resultados generados por IA (clasificación, clustering y datasets) para detectar errores y poder comentarlos en la evaluación crítica.
Resolver Práctica1 Aprendizaje computacional