Aprenentatge Automàtic I

• Professorat
• Hores setmanals
• Competències
• Objectius
• Continguts
• Activitats
• Metodologia docent
• Mètode d'avaluació
• Bibliografia
• Capacitats prèvies

Professorat

Responsable

• Marta Arias Vicente ( )

Altres

• Alexis Molina Martinez de los Reyes ( )
• Luis Antonio Belanche Muñoz ( )

Hores setmanals

Competències

Competències Tècniques

Competències tècniques

• CE1 - Utilitzar amb destresa els conceptes i mètodes matemàtics subjacents els problemes de la ciència i l'enginyeria de les dades.
• CE3 - Analitzar fenòmens complexos mitjançant la probabilitat i l'estadística, i plantejar models d'aquests tipus en situacions concretes. Formular i resoldre problemes d'optimització matemàtica.
• CE8 - Capacitat de triar i emprar tècniques de modelització estadística i anàlisi de dades, avaluant la qualitat dels models, validant-los i interpretant-los.
• CE9 - Capacitat de triar i emprar una varietat de tècniques d'aprenentatge automàtic i construir sistemes que les utilitzin per a la presa de decisions, fins i tot de forma autònoma.

Competències Transversals

Transversals

• CT3 - Comunicació eficaç oral i escrita. Comunicar-se de forma oral i escrita amb altres persones sobre els resultats de l'aprenentatge, de l'elaboració del pensament i de la presa de decisions; participar en debats sobre temes de la pròpia especialitat.
• CT4 [Avaluable] - Treball en equip. Ser capaç de treballar com a membre d'un equip interdisciplinari, ja sigui com un membre més o realitzant tasques de direcció, amb la finalitat de contribuir a desenvolupar projectes amb pragmatisme i sentit de la responsabilitat, assumint compromisos tenint en compte els recursos disponibles.
• CT7 - Tercera llengua. Conèixer una tercera llengua, preferentment l'anglès, amb un nivell adequat oral i escrit i d'acord amb les necessitats que tindran els titulats i titulades.

Competències Tècniques Generals

Genèriques

• CG1 - Concebre sistemes computacionals que integren dades de procedències i formes molt diverses, construeixen amb ells models matemàtics, raonen sobre aquests models i actuen en conseqüència, aprenent de l'experiència.
• CG2 - Elegir i aplicar els mètodes i tècniques més adequats a un problema definit per dades que representin un repte pel seu volum, velocitat, varietat o heterogeneïtat, inclosos mètodes informàtics, matemàtics, estadístics i de processament del senyal.

Objectius

1. Formular el problema de l'aprenentatge automàtic a partir de dades, i conèixer els tipus de tasques que es poden donar.
   Competències relacionades: CE1, CE9, CG1, CG2,
2. Organitzar el flux de resolució d'un problema de l'aprenentatge automàtic, analitzant les possibles opcions i elegint les més adequades al problema.
   Competències relacionades: CE1, CE9, CT4, CT7, CG1, CG2,
3. Decidir, defensar i criticar una solució per a un problema d'aprenentatge automàtic, argumentant els punts forts i febles de l'apropament.
   Competències relacionades: CE9, CT3, CT4, CG2,
4. Conèixer i saber aplicar tècniques lineals per la resolució de problemes d'aprenentatge supervisat.
   Competències relacionades: CE3, CE8, CG2,
5. Conèixer i saber aplicar tècniques de xarxes neuronals mono i multicapa per la resolució de problemes d'aprenentatge supervisat.
   Competències relacionades: CE8, CE9, CG2,
6. Conèixer i saber aplicar tècniques de màquines de vectors suport per la resolució de problemes d'aprenentatge supervisat.
   Competències relacionades: CE8, CE9, CG2,
7. Conèixer i saber aplicar les tècniques bàsiques per la resolució de problemes d'aprenentatge no supervisat, amb èmfasi en eines d'agrupament de dades.
   Competències relacionades: CE8, CE9, CG2,
8. Conèixer i saber aplicar les tècniques bàsiques per la resolució de problemes d'aprenentatge per reforç.
   Competències relacionades: CE8, CE9, CG2,
9. Conèixer i saber aplicar tècniques de conjunt per la resolució de problemes d'aprenentatge supervisat.
   Competències relacionades: CE8, CE9, CG2,

Continguts

1. Introducció a l'Aprenentatge Automàtic
   Informació general i conceptes bàsics. Descripció i plantejament dels problemes atacats per l'aprenentatge automàtic. Aprenentatge supervisat (regressió i classificació), no supervisat (clustering) i semi-supervisat (per reforç i transductiu). Exemples moderns d'aplicació.
2. Aprenentatge automàtic no supervisat: clustering
   Definició i plantejament de l'aprenentatge automàtic no supervisat. Introducció al clustering. Algorismes probabilístics: algorisme k-means i algorisme Expectation-Maximization (E-M).
3. Aprenentatge automàtic supervisat (I): mètodes lineals per regressió
   Màxima versemblança per regressió. Funcions d'error per regressió. Mínims quadrats: métodes analítics (pseudo-inversa i SVD) i iteratius (gradient descent). Noció de regularització. Regressió regularitzada L1 i L2: algorismes ridge regressión, LASSO i Elastic Net.
4. Aprenentatge automàtic supervisat (II): mètodes lineals per classificació
   Màxima versemblança per classificació. Funcions d'error per classificació. Classificadors generatius Baiesians: LDA/QDA/RDA, Naïve Bayes i k-nearest neighbours.
5. Mètodes jeràrquics: arbres de decisió
   Construcció general d'arbres de decisió. Criteris d'split: guany en entropia i criteri de Gini. Regularització en arbres de decisió. Arbres CART per regressió i classificació.
6. Mètodes de conjunt (ensemble)
   Introducció als mètodes de conjunt (ensemble). Bagging i Random Forests. Boosting. Adaboost i variants.
7. Mètodes basats en kernels
   Introducció a l'aprenentatge amb funcions de kernel. Regresió lineal regularitzada kernelitzada. Funcions de kernel bàsiques. Complexitat i generalització: dimensió de Vapnik-Chervonenkis. Màquines de Vectors Suport.

Activitats

Activitat Acte avaluatiu

Metodologia docent

Mètode d'avaluació

Bibliografia

Bàsica:

• Pattern recognition and machine learning - Bishop, C.M, Springer, 2006. ISBN: 0387310738
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003157379706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Machine learning: a probabilistic perspective - Murphy, K.P, MIT Press, 2012. ISBN: 9780262018029
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003972109706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Learning from data: concepts, theory, and methods - Cherkassky, V.S.; Mulier, F, John Wiley, 2007. ISBN: 0471681822
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003624509706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• The elements of statistical learning: data mining, inference, and prediction - Hastie, T.; Tibshirani, R.; Friedman, J, Springer, 2009. ISBN: 0387848576
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003549679706711&context=L&vid=34CSUC_UPC:VU1&lang=ca

Capacitats prèvies