The course covers some basic techniques used in the statistical analysis of networks and systems. It first reviews and extends basic concepts on probability, information theory, and linear algebra. Then it presents basic estimation techniques. Finally, it covers the basic approaches of Machine Learning for regression and classification.
Professorat
Responsable
Jorge García Vidal (
)
Altres
Jose Maria Barceló Ordinas (
)
Hores setmanals
Teoria
2.4
Problemes
1.6
Laboratori
0
Aprenentatge dirigit
0
Aprenentatge autònom
7
Competències
Competències Tècniques de cada especialitat
Xarxes de computadors i sistemes distribuïts
CEE2.2 - Capacitat d'entendre els models, problemes i algoritmes relacionats amb les xarxes de computadors, així com poder dissenyar i avaluar algoritmes, protocols i sistemes que tractin la problemàtica de la xarxes de comunicació entre computadors.
Competències Tècniques Generals
Genèriques
CG4 - Capacitat per a la direcció general i tècnica de projectes de recerca, desenvolupament i innovació, en empreses i centres tecnològics, en l'àmbit de l'Enginyeria Informàtica.
Competències Transversals
Actitud adequada davant el treball
CTR5 - Tenir motivació per a la realització professional i per a afrontar nous reptes, tenir una visió àmplia de les possibilitats de la carrera professional en l'àmbit de l'enginyeria en informàtica. Sentir-se motivat per la qualitat i la millora contínua, i actuar amb rigor en el desenvolupament professional. Capacitat d'adaptació als canvis organitzatius o tecnològics. Capacitat de treballar en situacions de carència d'informació i/o amb restriccions temporals i/o de recursos.
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.
Objectius
Habilitat de modelat quantitatiu
Competències relacionades:
CB6,
CTR5,
CEE2.2,
CG4,
Continguts
Models de probabilitat
Probability axioms, basic combinatorics, random variables, independence and conditional probability, expected values (review, only problems and online material), inequalities (Markov, Chebyshev, Jensen), (weak) Law large numbers, entropy and mutual information. Properties of Gaussian distributions, central limit theorem.
Estimació. Tècniques bàsiques de ML per classificació i regressió
Estimació de màxima verosimilitut i bayesiana. Funció de decissió, cost, risc, minimització del risc empíric. Estimació i aproximació. Compromís entre el bias i la variança. Clasificació. Regressió lineal.
Models gràfics i sistemes dinàmics
Graphical models. Belief propagation. Hidden Markov Models. Kalman filters. Time series
Activitats
ActivitatActe avaluatiu
Models probabilistics
Probability axioms, basic combinatorics, random variables, independence and conditional probability, expected values (review, only problems and online material), inclusion/exclusion, conditional independence, inequalities (Markov, Chebyshev, Jensen), examples: Bernouilli, Binomial, Multinomial, Poisson, (weak) Law large numbers, entropy and mutual information. Density functions, examples: uniform, exponential, Gaussian (review, problems and online material), beta, dirichlet, (eigenvalues/eigenvectors, symmetric, positive definite matrices video), multivariate gaussian, memoryless of exponential distribution. Properties of Gaussian distributions, central limit theorem. Objectius:1 Continguts:
Alguns materials serán online. La resta en classes presencials a la pisarra. Classes de discussió de problemes i exemples,
Mètode d'avaluació
La avaluació se basa en el desenvolupament de projectes. Cada projecte serà avaluat (0=
FM = Suma_i (Wi*Mi)
On
Wi = és el pes de cada projecte i = 1, ... N
Mi = és la nota de cada projecte i = 1, ... N
En aquest curs els projectes proposats seran:
* P1 (25%): Probabilitat bàsica, teoría de la informació i àlgebra linial,
* P2 (25%): Estimació, ML i bayesiana
* P3 (25%): Bias/Variance tradeoff
* P4 (25%): Regressió i clasificació