Aprenentatge Automàtic Avançat

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

Professorat

Responsable

• Luis Antonio Belanche Muñoz ( )

Altres

• Jamie Arjona Martinez ( )

Hores setmanals

Competències

Competències Transversals

ús solvent dels recursos d'informació

• CT4 - Gestionar l'adquisició, l'estructuració, l'anàlisi i la visualització de dades i informació de l'àmbit d'especialitat, i valorar de forma crítica els resultats d'aquesta gestió.

Tercera llengua

• CT5 - Conèixer una tercera llengua, preferentment l'anglès, amb un nivell adequat oral i escrit i en consonància amb les necessitats que tindran els titulats i titulades.

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.
• CB7 - Que els estudiants siguin capaços d'integrar coneixements i enfrontar-se a la complexitat de formular judicis a partir d'una informació que, essent incomplerta o limitada, inclogui reflexions sobre les responsabilitats socials i ètiques vinculades a l'aplicació dels seus coneixements i judicis.
• CB10 - Posseir i comprendre coneixements que aportin una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context de recerca.

Competències Tècniques Generals

Genèriques

• CG2 - Identificar i aplicar mètodes d'anàlisi, extracció de coneixement i visualització de dades recollides en formats molt diferents

Competències Tècniques

Específiques

• CE3 - Aplicar mètodes d'integració de dades per donar solució a problemes de ciència de dades en entorns heterogenis
• CE5 - Modelar, dissenyar i implementar sistemes complexos de dades, incloent-hi la visualització de dades
• CE8 - Extreure informació de dades estructurades i no estructurades, tenint en compte la naturalesa multivariant de les mateixes.
• CE9 - Aplicar mètodes adequats per a l'anàlisi d'altres tipus de formats, com ara processos i grafs, dins l'àmbit de ciència de dades
• CE10 - Identificar els mètodes d'aprenentatge automàtic i modelització estadística a utilitzar per resoldre un problema específic de ciència de dades, i aplicar-los de forma rigorosa
• CE11 - Analitzar i extreure coneixement d'informació no estructurada mitjançant tècniques de processament de llenguatge natural, mineria de textos i imatges

Objectius

1. Mètodes avançats d'aprenentatge automàtic
   Competències relacionades: CT4, CT5, CE8, CE9, CE10, CB6, CB10,
2. Estadística bayesiana
   Competències relacionades: CT4, CT5, CE5, CE8, CE10, CB7,
3. Optimització de xarxes neuronals i màquines de vectors suport
   Competències relacionades: CT4, CT5, CG2, CE3, CE5, CE11, CE8, CE9, CE10, CB6, CB7, CB10,
4. Models lineals i models lineals generalitzats de regressió no paramètrics
   Competències relacionades: CT5, CE5, CE10, CB10,
5. Neteja de dades
   Competències relacionades: CT4, CG2, CE3, CE11, CE8, CE9, CB6,

Continguts

1. Introducció a l'aprenentatge automàtic bayesià
   Introduction to Bayesian thinking for machine learning. Learning by solving a regularized problem. Illustrative example.
2. Aprenentatge en espais funcionals
   Reproducing kernel Hilbert spaces. The representer theorem. Example 1: Kernel ridge regression. Example 2: The Perceptron and the kernel Perceptron.
3. Funcions de kernel fomamentals en R^d
   Description and demonstration of fundamental kernel functions in R^d. Polynomial and Gaussian kernels. General properties of kernel functions.
4. La màquina de suport vectorial per a la classificació, regressió i detecció de novetats
   The support vector machine (SVM) is the flagship in kernel methods. Its versions for classification, regression and novelty detection are fully explained and demonstrated.
5. Funcions de kernel per a diferents tipus de dades
   Some kernel functions for different data types are presented and demonstrated, such as text, trees, graphs, categorical variables, and many others.
6. Altres algorismes d'aprenentatge basats en kernels
   Additional kernel-based learning methods are explained, such as kernel PCA and kernel FDA. These are illustrated in several application examples.
7. Introducció a les xarxes neuronals profundes
   Introduction to deep neural networks: reminder of fundamental neural network theory and optimization, qualitative description, loss functions, activation functions, regularization and best practices.
8. Autoencoders i xarxes profundes concatenades
   Autoencoders and deep stacking networks: restricted Boltzmann machines and deep belief networks
9. Xarxes neuronals convolucionals i les seves aplicacions
   Successful applications of deep learning in diverse areas of signal and information processing and of applied artificial intelligence.
10. Tècniques avançades basades en xarxes profundes i mètodes kernel
    Other methods are briefly introduced, such as the RVM and GPs. Nyström acceleration and Random Fourier features. Deep recurrent networks, deep kernel learning and maybe others.

Activitats

Activitat Acte avaluatiu

Metodologia docent

Mètode d'avaluació

Bibliografia

Bàsica:

• Pattern recognition and machine learning - Bishop, Christopher M, Springer, cop. 2006. ISBN: 0387310738
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003157379706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Kernel methods for pattern analysis - Shawe-Taylor, John; Cristianini, Nello, Cambridge University Press, 2004. ISBN: 0521813972
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991002747459706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Deep learning - Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron, MIT Press, 2016. ISBN: 9780262035613
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004107709706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Deep learning with Python - Chollet, François, 2021. ISBN: 9781638350095
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004957905506711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Neural networks and deep learning : a textbook - Aggarwal, Charu C, Springer, 2018. ISBN: 9783319944623
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004184409706711&context=L&vid=34CSUC_UPC:VU1&lang=ca

Capacitats prèvies