Aprenentatge (A)
(http://www-assig.fib.upc.edu/~apren/apren.html)
|
|
Crèdits: 4.5 (3.0 T 1.5 P 0.0 L)
| |
Departament:
LSI
|
Tipus d'assignatura
Optativa per la EI
Requisits de l'assignatura
|
TMIA
- Pre-requisit per la EI
|
|
Objectius docents
Aprofundir en els fonaments teòrics
de l'Aprenentatge Automàtic i estudiar les seves aplicacions més
rellevants. Aquest curs permetrà conèixer i treballar
amb algunes eines desenvolupades en diferents laboratoris.
Programa
1. Introducció a l'aprenentatge.
- Aprenentatge animal i automàtic.
- Tipus d'aprenentatge animal.
- Tipus d'aprenentatge automàtic.
2. Aprenentatge inductiu.
- Adquisició de conceptes.
- Introducció d'arbres de decisió.
- Aprenentatge per observació i formació de conceptes.
- Agrupació conceptual. (Conceptual clustering).
- Data Mining
3. Sistemes d'aprenentatge basats en explicacions.
- EBG
- STRIPS
- PRODIGY
- SOAR
4. Sistemes dinàmics per a l'aprenentatge.
- Mètodes connexionistes.
- Aprenentatge basat en el reforçament. (Look-up tables).
5. Altres aproximacions.
- Algorismes Genetics
- Agents autònoms.
- Aprenentabilitat. (Learnability)
Avaluació
Es fara un unic examen final amb ponderacio 60%
Els estudiants desenvoluparan un conjunt de problemes. El pes dels
problemes serà d'un 40% de la nota final:
Nota Final = (problemes * 0.4) + (examen final * 0.6)
Per poder fer mitjana la nota de cada part haurà d'èsser igual
o més gran que 4.0.
En el cas d'obtenir una nota inferior a 4 en alguna de les parts el
calcul de la nota es fara de la seguent manera:
Nota Final = 0.625 * [(problemes * 0.4) + (examen final * 0.6)]
Càrrega
L'estudiant ha de desenvolupar un conjunt de problemes al llarg
del curs. L'enunciat de cadascun d'aquests problemes es lliura a
classe i es te entre tres i cuatre setmanes per resoldre'l.
Aquest problemes poden incloure la utilitzacio de
diferents programes, pero no el seu desenvolupament.
Bibliografia
Bibliografia bàsica
-
Aprenentatge automàtic Edicions UPC, col.lecció Politext, 1994
- Mitchell, T. Machine Learning McGraw Hill ISBN 0070428077, 1997
- Ian H. Witten, Eibe Frank Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations Morgan Kaufmann Publishers; ISBN: 1558605525, 1994
- Hema R. Madala, Alexy G. Ivakhnenko Inductive Learning Algorithms for Complex Systems Modeling CRC Pr; ISBN: 0849344387, 1994
- Christopher M. Bishop (Editor) Neural Networks and Machine Learning (NATO Asi Series. Series F, Computer and Systems Sciences, Vol 168) Springer Verlag; ISBN: 354064928X, 1998
Bibliografia complementària
-
KODRATOFF, Y. Introduction to Machine Learning Morgan Kauffman, 1988
- Pat Lnagley Elements of Machine LEarning Morgan Kaufmann, 1996
Informació complementària
CLASSES DE PROBLEMES
A les classes de problemes es resoldran aplicacions pràctiques dels
conceptes presentats a les classes de teoria. Els alumnes dispondran
d'eines que implementen algunes de les tecniques explicades a classe.
|
fib.upc.edu