Anàlisi Estadística de Xarxes i Sistemes

Esteu aquí

Crèdits
6
Tipus
Obligatòria d'especialitat (Xarxes de Computadors i Sistemes Distribuïts)
Requisits
Aquesta assignatura no té requisits, però té capacitats prèvies
Departament
AC
The course covers basic techniques used in the statistical analysis of networks and systems. It first reviews and extends basic concepts on probability, information theory, and linear algebra. Then it presents basic estimation techniques. It covers the basic approaches of Machine Learning for regression and classification. Finally presents linear methods for dimensionality reduction.

Professorat

Responsable

  • Jorge García Vidal ( )

Altres

  • Jose Maria Barceló Ordinas ( )

Hores setmanals

Teoria
2.4
Problemes
1.6
Laboratori
0
Aprenentatge dirigit
0
Aprenentatge autònom
7.1

Competències

Competències Tècniques de cada especialitat

Xarxes de computadors i sistemes distribuïts

  • CEE2.2 - Capacitat d'entendre els models, problemes i algoritmes relacionats amb les xarxes de computadors, així com poder dissenyar i avaluar algoritmes, protocols i sistemes que tractin la problemàtica de la xarxes de comunicació entre computadors.

Competències Tècniques Generals

Genèriques

  • CG4 - Capacitat per a la direcció general i tècnica de projectes de recerca, desenvolupament i innovació, en empreses i centres tecnològics, en l'àmbit de l'Enginyeria Informàtica.

Competències Transversals

Actitud adequada davant el treball

  • CTR5 - Tenir motivació per a la realització professional i per a afrontar nous reptes, tenir una visió àmplia de les possibilitats de la carrera professional en l'àmbit de l'enginyeria en informàtica. Sentir-se motivat per la qualitat i la millora contínua, i actuar amb rigor en el desenvolupament professional. Capacitat d'adaptació als canvis organitzatius o tecnològics. Capacitat de treballar en situacions de carència d'informació i/o amb restriccions temporals i/o de recursos.

Bàsiques

  • CB6 - Que els estudiants sàpiguen aplicar els coneixements adquirits y la seva capacitat de resolució de problemes en entorns nous o poc coneguts dins de contexts més amplis (o multidisciplinaris) relacionats amb la seva àrea d'estudi.

Objectius

  1. Habilitat de modelat quantitatiu
    Competències relacionades: CB6, CTR5, CEE2.2, CG4,

Continguts

  1. Repàs a models de probabilitat
    Probability axioms, basic combinatorics, random variables, independence and conditional probability, Bayes formula, total probability. Expected values, variance-covariance matrix, inequalities (Markov, Chebyshev, Chernoff, Jensen), (weak) law large numbers, entropy and mutual information. Cross entropy as a cost function. Properties of Gaussian distributions, central limit theorem.
  2. Estimació. Tècniques bàsiques de ML per classificació i regressió
    Maximum likelihood and bayesian estimation. Decision functions, Loss, Risk, Empirical Risk minimization. Approximation and estimation. Bias-variance tradeoff. Classification. Linear regression. Basic neural networks architectures.
  3. Models lineals i reducció de dimensionalitat
    Review of basic linear algebra results, spectral theorem for symmetric matrices, positive definite matrices, matrix calculus, trace operator, SVD, matrix norms, Eckart-Young theorem, condition number, dimensionality reduction, PCA, eigenfaces, Sparse representation, Fourier matrices, Graph signal processing

Activitats

Activitat Acte avaluatiu


Models probabilistics

Probability axioms, basic combinatorics, random variables, independence and conditional probability, Bayes formula, total probability. Expected values, variance-covariance matrix, inequalities (Markov, Chebyshev, Chernoff, Jensen), (weak) law large numbers, entropy and mutual information. Cross entropy as a cost function. Properties of Gaussian distributions, central limit theorem.
Objectius: 1
Continguts:
Teoria
6h
Problemes
6h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Models lineals

Review of basic linear algebra results, spectral theorem for symmetric matrices, positive definite matrices, matrix calculus, trace operator, SVD, matrix norms, Eckart-Young theorem, condition number, dimensionality reduction, PCA, eigenfaces, Sparse representation, Fourier matrices, Graph signal processing
Objectius: 1
Continguts:
Teoria
12.4h
Problemes
7.6h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Estimació, tècniques bàsiques de aprenentatge automàtic per regressió i classificació

Maximum likelihood and bayesian estimation. Decision functions, Loss, Risk, Empirical Risk minimization. Approximation and estimation. Bias-variance tradeoff. Classification. Linear regression. Basic neural networks architectures.

Teoria
8h
Problemes
8h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

test autoavaluació T1


Objectius: 1
Setmana: 4
Tipus: examen de teoria
Teoria
1.5h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
17h

test autoavaluació T2


Objectius: 1
Setmana: 8
Tipus: examen de teoria
Teoria
1.5h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
17h

test autoavaluació T3


Objectius: 1
Setmana: 12
Tipus: examen de teoria
Teoria
1.5h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
19h

test autoavaluació T4


Objectius: 1
Setmana: 16
Tipus: examen de teoria
Teoria
1.5h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
19h

Treball 1



Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
6h

Treball 2



Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
6h

Treball 3



Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
6h

Treball 4



Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
6h

Metodologia docent

Alguns materials serán online. La resta en classes presencials a la pisarra. Classes de discussió de problemes i exemples,

Mètode d'avaluació

La avaluació se basa en el desenvolupament de projectes. Cada projecte serà avaluat (0=
FM = Suma_i (Wi*Mi)

On

Wi = és el pes de cada projecte i = 1, ... N
Mi = és la nota de cada projecte i = 1, ... N

En aquest curs els projectes proposats seran:
* P1 (25%): Probabilitat bàsica, teoría de la informació i àlgebra linial,
* P2 (25%): Estimació, ML i bayesiana
* P3 (25%): Bias/Variance tradeoff
* P4 (25%): Regressió i clasificació

Bibliografia

Bàsica:

Complementaria:

Capacitats prèvies

Teoria de probabilitat bàsica, algebra lineal, càlcul