L'objectiu d'aquest curs és proporcionar a l'alumne una formació en metodologies en el disseny avançat de mecanismes mitjançant l'optimització convexa no lineal, l'aprenentatge automàtic i l'aprenentatge profund que es poden aplicar a xarxes d'ordinadors i sistemes distribuïts. En particular, explorarem models no lineals doptimització, mètodes daprenentatge màquina basats en kernels, i IA generativa.
Professorat
Responsable
Jose Maria Barceló Ordinas (
)
Altres
Jorge García Vidal (
)
Hores setmanals
Teoria
4
Problemes
0
Laboratori
0
Aprenentatge dirigit
0
Aprenentatge autònom
7.11
Competències
Competències Tècniques de cada especialitat
Xarxes de computadors i sistemes distribuïts
CEE2.1 - Capacitat per a entendre els models, problemes i algoritmes relacionats amb els sistemes distribuïts, així com poder dissenyar i avaluar algoritmes i sistemes que tractin la problemàtica de la distribució i ofereixin serveis 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.
CEE2.3 - Capacitat d'entendre els models, problemes i eines matemàtiques que permeten analitzar, dissenyar i avaluar xarxes de computadors i sistemes distribuïts.
Competències Tècniques Generals
Genèriques
CG3 - Capacitat per al modelatge matemàtic, càlcul i disseny experimental en centres tecnològics i d'enginyeria d'empresa, particularment en tasques de recerca i innovació en tots els àmbits de la Informàtica.
Competències Transversals
Raonament
CTR6 - Capacitat de raonament crític, lògic i matemàtic. Capacitat de resoldre problemes en la seva àrea d'estudi. Capacitat d'abstracció: capacitat de crear i utilitzar models que reflecteixin situacions reals. Capacitat de dissenyar i realitzar experiments senzills, i analitzar-ne i interpretar-ne els resultats. Capacitat d'anàlisi, de síntesi i d'avaluació.
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.
CB8 - Que els estudiants sàpiguen comunicar les seves conclusions i els coneixements i raons darreres que les sustenten- a públics especialitzats i no especialitzats d'una manera clara i sense ambigüitats.
Objectius
Capacitat per formular un problema d'optimització convexa
Competències relacionades:
CG3,
CEE2.3,
CB6,
CTR6,
Capacitat per resoldre problemes d'optimització no lineal.
Competències relacionades:
CG3,
CEE2.3,
CB6,
CTR6,
Capacitat per aplicar a problemes reals temes relacionats amb l'optimització
Competències relacionades:
CG3,
CEE2.2,
CEE2.3,
CEE2.1,
CB8,
CTR6,
Capacitat per aplicar algorismes d'aprenentatge automàtic a escenaris reals.
Competències relacionades:
CG3,
CEE2.2,
CEE2.3,
CEE2.1,
CB8,
CTR6,
Capacitat per comprendre les xarxes neuronals i els algoritmes d'aprenentatge profund
Competències relacionades:
CG3,
CEE2.3,
CB6,
CTR6,
Capacitat per aplicar xarxes neuronals i algoritmes d'aprenentatge profund a escenaris reals
Competències relacionades:
CG3,
CEE2.2,
CEE2.3,
CEE2.1,
CB8,
CTR6,
Continguts
Conceptes bàsics d'optimització convexa
En aquest tema, introduirem els conceptes d'home d'optimització no lineal amb especial èmfasi en l'optimització convexa. Concretament veurem: conjunts convexos, funcions convexes, problemes d'optimització convexa (COP) i dualitat (funció doble Lagrange, condicions d'optimitat de KKT), mètodes per resoldre COP (General Descent Methods, Interior Point Methods)
Mètodes de kernel en aprenentatge màquina
Exemples de com s'aplica l'optimització al camp de l'aprenentatge automàtic a xarxes informàtiques i xarxes distribuïdes. En concret, s'explicarà com funciona la reproducció d'espais kernel de Hilbert (RKHS), mètodes supervisats amb kernel entre els quals s'inclouen la regressió kernel ridge (KRR), els processos gaussians, les màquines de vectors de suport (per a classificació i per a regressió), i el kernel PCA.
Models d'aprenentatge profund i IA generativa
En aquest tema s'introdueixen els conceptes bàsics relacionats amb l'aprenentatge profund i els models d'IA generativa aplicats a les xarxes informàtiques i als sistemes distribuïts. En concret, es tractaran xarxes bayesianes neuronals, models de montecarlo, inferència variacional, LLMs, transformers, models de variable latent (EM, ELBO, etc), models AI generatius com són els models autoregressius, de flux, difusius i variacionals (VAE).
Durant les sessions inicials de cada tema, s'explicaran els resultats principals a la pissarra. L'estudiant resoldrà alguns exercicis per demostrar les seves habilitats en el tema. Finalment, els estudiants faran projectes de desenvolupament d'acord al temes estudias.
Mètode d'avaluació
L'avaluació es basa en el desenvolupament de 3 projectes (cada projecte val igual) i 2 exàmens escrits. La nota final del curs (FM) serà:
FM = 0.6*(P1+P2+P3) + 0.2*Ex1 + 0.2*Ex2.
Per a cada projecte es lliura un reporti de recerca on s'analitza el problema proposat, es descriu la metodologia de resolució i es descriuen els resultats i conclusions. S'avaluarà la capacitat de l'alumne per a demostrar enteniment i comprensió de la teoria, capacitat de raonament i de comunicar resultats (competències CG3, CEE2.2, CEE2.3, CEE2.1, CB8, CTR6).
En els exàmens escrits, se'ls donarà una llista de conceptes teòrics relacionats amb els temes de l'assignatura en els quals han de demostrar una comprensió i enteniment. En l'examen se'ls demanarà que expliquin la comprensió que tenen sobre aquests conceptes (competències CG3, CEE2.3, CB6, CTR6).