Aprenentatge Automàtic II

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
a un sistema modificar el seu comportament a través de l'observació de dades que
representen informació incompleta sobre un procés o fenomen subjecte a
incertesa estadística. L'aprenentatge automàtic és un punt de trobada
de diferents disciplines: l'estadística multivariant, la intel·ligència artificial, l'algorísmia i l'optimització matemàtica, entre d'altres. L'assignatura aprofondeix en les tècniques modernes d'aprenentatge a
partir de dades, inclouen les xarxes neuronals artificials profundes, l'aprenentatge per reforç profund i els mètodes basats en funcions de kernel. Com objectiu
paral·lel està la familiarització amb els corresponents entorns de computació.

Professors

Responsable

  • Xavier Giró Nieto ( )

Altres

  • Luis Antonio Belanche Muñoz ( )

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.
  • CE2 - Ser capaç de programar solucions a problemes d'enginyeria: Dissenyar solucions algorítmiques eficients a un problema computacional donat, implementar-les en forma de programari robust, estructurat i mantenible, i comprovar la validesa de la solució.
  • 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.
  • CE4 - Utilitzar els sistemes de computació actuals, inclosos els sistemes d'alt rendiment, per al procés de grans volums de dades des del coneixement de la seva estructura, funcionament i particularitats.
  • CE5 - Dissenyar i aplicar tècniques de processat de senyal, triant entre diferents eines tecnològiques, incloses les de visió artificial, de reconeixement del llenguatge parlat i de tractament de dades multimèdia.
  • CE6 - Construir o utilitzar sistemes de processat i comprensió del llenguatge escrit, integrant-lo en altres sistemes dirigits per les dades. Dissenyar sistemes de recerca d'informació textual o hipertextual i d'anàlisi de xarxes socials.
  • 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.
  • CT5 - Ús solvent dels recursos d'informació. Gestionar l'adquisició, l'estructuració, l'anàlisi i la visualització de dades i informació en l'àmbit de l'especialitat i valorar de forma crítica els resultats d'aquesta gestió.
  • 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.
  • CG3 - Treballar en equips i projectes multidisciplinaris relacionats amb el processat i explotació de dades complexes, interactuant fluidament amb enginyers i professionals d'altres disciplines.
  • CG4 - Identificar oportunitats per a aplicacions innovadores orientades a dades en entorns tecnològics en contínua evolució.
  • CG5 - Poder recórrer a coneixements fonamentals i metodologies de treball sòlides adquirits durant els estudis per adaptar-se als nous escenaris tecnològics del futur.

Objectius

  1. 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: CE8, CG2,
  2. Decidir, defensar i criticar una solució per a un problema d'aprenentatge automàtic, argumentant els punts forts i febles de l'apropament
    Competències relacionades: CE1, CE2, CE3, CE4, CE5, CE6, CE8, CE9, CG1, CG2,
  3. Conèixer i saber aplicar tècniques avançades per la resolució de problemes d'aprenentatge no supervisat, especialment de clustering
    Competències relacionades: CE1, CE2, CE4, CT5, CG1, CG2,
  4. Conèixer i saber aplicar tècniques de xarxes neuronals multicapa feed-forward profundes per la resolució de problemes complexos d'aprenentatge supervisat
    Competències relacionades: CE1, CE3, CE4, CT7, CG1, CG5,
  5. Conèixer i saber aplicar tècniques avançades de mètodes d'aprenentatge basats en funcions de kernel, per la resolució de problemes d'aprenentatge, tant supervisat com no supervisat
    Competències relacionades: CE1, CE2, CE3, CE4, CE8, CT5, CT7, CG1, CG2,
  6. Conèixer i saber aplicar les tècniques avançades per la resolució de problemes d'aprenentatge per reforç, i la seva relació amb tècniques d'aprenentatge profund
    Competències relacionades: CE1, CE2, CE3, CE4, CE5, CE6, CT5, CG1, CG2, CG4,
  7. Saber identificar problemes que involucrin processament de senyal, com ara dades en forma d'audio, imatge o video, o una combinació seva, i resoldre-les amb tècniques avançades d'aprenentatge computacional
    Competències relacionades: CE1, CE2, CE3, CE4, CE5, CE8, CE9, CT5, CT7, CG1, CG2, CG3, CG4,
  8. Saber identificar problemes que involucrin processament de la parla humana o no humana, com ara dades en forma d'audio o texte, o una combinació seva, i resoldre-les amb tècniques avançades d'aprenentatge computacional
    Competències relacionades: CE1, CE2, CE3, CE4, CE6, CT3, CT7, CG1, CG2, CG3, CG4, CG5,

Continguts

  1. Introducció a l'Aprenentatge Automàtic
    Descripció i plantejament dels problemes atacats per l'aprenentatge automàtic. Identificació d'àrees i problemes moderns (dades, escalabilitat, heterogeneÏtat, etc). Introducció a les tècniques modernes i avançades cobertes al curs. Exemples avançats d'aplicació.
  2. Introducció als mètodes basats en kernels
    Kernel ridge regression. Feature maps. Introducció als espais de Hilbert. Representer Theorem. Spectral clustering.
  3. Funcions de kernel no-estàndard
    Funcions de kernel no-estàndard: refresc i ampliació de la definició de funció de kernel. Aprenentatge en els RKHS. Funcions de kernel per l'anàlisi de texte, grafs, dades biomèdiques (-omics).
  4. Mètodes kernel avançats
    Mètodes kernel avançats: kPCA, kFDA, Relevance Vector Machines. Aplicacions avançades.
  5. Capes neuronals
    - Perceptró i perceptró multicapa.
    - Capes convolucionals.
    - Capes recurrents.
    - Capes residuals
    - Mecanismes d'atenció.
  6. Entrenament de xarxes neuronals profundes
    - Retropropagació.
    - Funcions de pèrdua.
    - Optimitzadors.
    - Metodologia.
    - Augment de dades.
    - Normalització per lots.

Activitats

Activitat Acte avaluatiu


Desenvolupament del tema 1 de l'assignatura


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

Desenvolupament del tema 2 de l'assignatura


Objectius: 3
Continguts:
Teoria
4h
Problemes
0h
Laboratori
4h
Aprenentatge dirigit
0h
Aprenentatge autònom
10h

Desenvolupament del tema 3 de l'assignatura


Objectius: 5
Continguts:
Teoria
4h
Problemes
0h
Laboratori
4h
Aprenentatge dirigit
0h
Aprenentatge autònom
10h

Desenvolupament del tema 4 de l'assignatura


Objectius: 2 5 7 8
Continguts:
Teoria
6h
Problemes
0h
Laboratori
6h
Aprenentatge dirigit
0h
Aprenentatge autònom
15h

Desenvolupament del tema 5 de l'assignatura


Objectius: 2 4 7 8
Continguts:
Teoria
6h
Problemes
0h
Laboratori
6h
Aprenentatge dirigit
0h
Aprenentatge autònom
15h

Desenvolupament del tema 6 de l'assignatura


Objectius: 1 2 4 7 8
Continguts:
Teoria
6h
Problemes
0h
Laboratori
6h
Aprenentatge dirigit
0h
Aprenentatge autònom
15h

Desenvolupament del tema 7 de l'assignatura


Objectius: 1 2 3 6 7 8
Teoria
3h
Problemes
0h
Laboratori
4h
Aprenentatge dirigit
0h
Aprenentatge autònom
8h

Control de la pràctica


Objectius: 1 2
Setmana: 10
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
Setmana: 15
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. Aquests conceptes es posen en pràctica en les classes de laboratori, en què l'estudiant apren a desenvolupar solucions d'aprenentatge automàtic a problemes reals de certa complexitat.

En les classes de problemes s'aprofondeix en entendre la teoria mitjançant la resolució de problemes o la ampliació de conceptes ja vistos.

En les classes de laboratori es proporciona codi en diversos entorns de computació que permetin resoldre un problema completament amb la o les tècniques corresponents al tema en curs. Aquest laboratori també serveix de guia per la part corresponent de les pràctiques que desenvolupen els alumnes.

Mètode d'avaluació

L'assignatura s'avalua mitjançant un examen parcial, un examen final i treballs pràctics en què s'ataquen problemes reals, redactant els corresponents informes.

El parcial correspondrà a la part de mètodes basats en kernels i alliberarà matèria.

La nota final es calcula com:

Nota Assignatura = 0,4*Treballs + 0,6*(Final + Parcial)/2

Pels estudiants que concorrin a la re-avaluació, la nota de examen de reavaluació comprendrà les dues parts del temari i substituirà 0,6*(Final + Parcial)/2.

Bibliografia

Bàsica:

Capacitats prèvies

Programació en Python.

Addenda

Continguts

NO HI HA CANVIS RESPECTE LA INFORMACIÓ PUBLICADA A LA GUIA DOCENT.

Metodologia docent

Les sessions de teoria es realitzaran de forma no presencial. Les sessions de problemes/laboratori es realitzaran amb els ordinadors personals de cada estudiant, que hauran de portar, en aules electrificades i amb accés sense fils a Internet mitjançant la xarxa Eduroam.

Mètode d'avaluació

NO HI HA CANVIS RESPECTE LA INFORMACIÓ PUBLICADA A LA GUIA DOCENT.

Pla de contingència

Les sessions de problemes/laboratori es passaran a un format en línia síncron en cas que es cancel·lés tota activitat lectiva físicament presencial. Els exàmens (parcial, final, reavaluació), en cas de no poder fer-se presencials, es farien no presencials, via "Pràctiques" del racó o via Atenea.