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, principalment les xarxes neuronals artificials profundes. Com objectiu
paral·lel està la familiarització amb els corresponents entorns de computació.

Professorat

Responsable

  • Ferran Marques Acosta ( )

Altres

  • Carlos Hernández Pérez ( )
  • Gerard Ion Gallego Olsina ( )
  • Javier Ruiz Hidalgo ( )

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.
  • CT6 [Avaluable] - Aprenentatge autònom. Detectar deficiències en el propi coneixement i superar-les mitjançant la reflexió crítica i l'elecció de la millor actuació per ampliar aquest coneixement.
  • 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, CT6, 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, CT6, 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 avançades de mètodes d'aprenentatge profund, per a la resolució de problemes d'aprenentatge, tant supervisat com no supervisat
    Competències relacionades: CE1, CE2, CE3, CE4, CE8, CT5, CT7, CG1, CG2, CG5,
  5. Conèixer i saber aplicar les difererents arquitectures de xarxes per la resolució de problemes complexos mitjançant tècniques d'aprenentatge profund
    Competències relacionades: CE1, CE2, CE3, CE4, CE5, CE6, CE8, CT5, CG1, CG2, CG4, CG5,
  6. 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,
  7. 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. Elements Bàsics en Xarxes Neuronals
    - Retropropagació
    - Perceptró i perceptró multicapa.
    - Funcions de pèrdua
    - Optimitzadors.
    - Convolució
    - Pool i Xarxes Neuronals Convolucionals
    - Deconvolució i Skip
  2. Aspectes pràctics en Xarxes Neuronals
    - Interpretabilitat
    - Metodologia
    - Dropout i Regularització
    - Aprenentatge per Transferència i Adaptació al Domini
  3. Arquitectures
    - RNN, LSTM, GRU.
    - Atenció i Transformers.
    - Generatives: GAN
    - GNN i AutoEncoders.

Activitats

Activitat Acte avaluatiu


Desenvolupament del tema 1 de l'assignatura


Objectius: 1 2 3
Continguts:
Teoria
12h
Problemes
0h
Laboratori
12h
Aprenentatge dirigit
0h
Aprenentatge autònom
10h

Desenvolupament del tema 2 de l'assignatura


Objectius: 1 2 3 4 5
Continguts:
Teoria
6h
Problemes
0h
Laboratori
4h
Aprenentatge dirigit
0h
Aprenentatge autònom
10h

Desenvolupament del tema 3 de l'assignatura


Objectius: 2 4 5 6 7
Continguts:
Teoria
12h
Problemes
0h
Laboratori
12h
Aprenentatge dirigit
0h
Aprenentatge autònom
16h

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. .

Mètode d'avaluació

L'assignatura s'avalua mitjançant un examen parcial (P), un examen final (F) i els informes de les pràctiques de laboratori (L)

La nota final es calcula com:

Nota Assignatura = MAX(0.3*L + 0.2*P + 0.5*F; 0.3*L + 0.7*F)

La nota dels estudiants que concorrin a la re-avaluació (R) serà Nota Assignatura = 0.3*L + 0.7*R

Bibliografia

Bàsica:

Complementaria:

  • Machine Learning 2 - Giró-i-Nieto, Xavier; Marqués, Ferrán; Ruíz, Javier, Notes de classe , .

Capacitats prèvies

Programació en Python.