Aprenentatge Automàtic I

Esteu aquí

Crèdits
6
Tipus
Obligatòria
Requisits
Aquesta assignatura no té requisits, però té capacitats prèvies
Departament
CS;TSC
L'objectiu de l'aprenentatge automàtic (machine learning en anglès) és el desenvolupament de teories, tècniques i algorismes que permetin explorar mètodes automàtics per inferir models a partir de dades (p. ex., per trobar estructura o regularitats, o fer prediccions). Aquesta inferència està basada en l'observació de dades que representen informació incompleta sobre un procés. L'aprenentatge automàtic és un punt de trobada de diferents disciplines: l'estadística multivariant i computacional, la informàtica, i l'optimització matemàtica, entre d'altres.

Professors

Responsable

  • Luis Antonio Belanche Muñoz ( )

Altres

  • Jaume Baixeries Juvillà ( )
  • Jordi Cortadella Fortuny ( )
  • Marta Arias Vicente ( )

Hores setmanals

Teoria
2
Problemes
0
Laboratori
2
Aprenentatge dirigit
0.333
Aprenentatge autònom
5

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.
  • 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, 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, 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. Xarxes neuronals feed-forward shallow
    Xarxes neuronals feed-forward shallow (d'una capa oculta). Funcions d'activació. Multilayer perceptron d'una capa oculta i RBF (radial basis function network) i els seus algoritmes d'entrenament.
  7. Xarxes neuronals recurrents shallow
    Xarxes neuronals recurrents shallow: xarxes de Hopfield i els seus algorismes d'entrenament. Aplicacions en memòries associatives i problemes d'optimització combinatòria.
  8. 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.
  9. Mètodes de conjunt (ensemble)
    Introducció als mètodes de conjunt (ensemble). Bagging i Random Forests. Boosting. Adaboost i variants.
  10. Aprenentatge per reforç
    Descripció de l'aprenentatge per reforç. Processos de Markov. Equacions de Bellman. Valors i mètodes de diferències temporals. Aprenentatge Q i algorisme Sarsa. Aplicacions.

Activitats

Activitat Acte avaluatiu


Desenvolupament del tema 1 de l'assignatura


Objectius: 1
Continguts:
Teoria
2h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
3.3h

Desenvolupament del tema 2 de l'assignatura


Objectius: 1 3 7
Continguts:
Teoria
4h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
6.6h

Desenvolupament del tema 3 de l'assignatura


Objectius: 1 4
Continguts:
Teoria
6h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
10h

Desenvolupament del tema 4 de l'assignatura


Objectius: 1 2 4
Continguts:
Teoria
5h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
8.3h

Desenvolupament del tema 6 de l'assignatura


Objectius: 1 2 5
Continguts:
Teoria
7h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
11.6h

Desenvolupament del tema 7 de l'assignatura


Objectius: 1 2 5
Continguts:
Teoria
3h
Problemes
0h
Laboratori
1h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Desenvolupament del tema 8 de l'assignatura


Objectius: 1 6
Continguts:
Teoria
7h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
11.6h

Desenvolupament dels temes 5 i 9 de l'assignatura


Objectius: 1 9
Continguts:
Teoria
8h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
13.3h

Desenvolupament del tema 10 de l'assignatura


Objectius: 1 8
Continguts:
Teoria
3h
Problemes
0h
Laboratori
1h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Control de la pràctica


Objectius: 1 2 3 4 5 6 7 8 9
Setmana: 8 (Fora d'horari lectiu)
Tipus: entrega
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
2h
Aprenentatge autònom
0h

Lliurament de la pràctica


Objectius: 1 2 3 4 5 6 7 8 9
Setmana: 15 (Fora d'horari lectiu)
Tipus: entrega
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
3h
Aprenentatge autònom
0h

Metodologia docent

Les classes de teoria introdueixen tot els coneixements, les tècniques, conceptes i resultats necessaris per assolir un nivell ben fonamentat i entenedor. Aquests conceptes es posen en pràctica en les classes de laboratori. En aquestes es proporciona codi R que permet resoldre certs aspectes d'un problema d'anàlisi de dades amb les tècniques corresponents al tema en curs. Aquest laboratori també serveix de guia per la part corresponent de la pràctica, que desenvolupen els alumnes al llarg del curs. Algunes de les hores de laboratori es podran usar per resoldre problemes (sense ordinador) a l'aula de teoria.

Hi ha un treball pràctic avaluable, que treballa un problema real a elegir pel propi estudiant i que recull i integra els coneixements i les competències de tot el curs. També s'avalua mitjançant el treball pràctic la competència genèrica de comunicació eficaç escrita.

Mètode d'avaluació

L'assignatura s'avalua mitjançant un examen parcial, un examen final i un treball pràctic en què s'ataca un problema real, redactant el corresponent informe.

La nota final es calcula com:

Nota Assignatura = 0,4*Treball + 0,6*max(Final, 1/3*Parcial + 2/3*Final)

Pel estudiants que puguin i vulguin concórrer a la re-avaluació, la nota de examen de reavaluació substituirà max(Final, 1/3*Parcial + 2/3*Final).

Bibliografia

Bàsica:

Capacitats prèvies

Nocions mitjanes de probabilitat i estadística.
Nocions mitjanes d'algebra lineal, càlcul matricial i anàlisi real
Bon nivell de programació en llenguatges d'alt nivell