Anàlisi Estadística de Xarxes i Sistemes

Esteu aquí

Crèdits
6
Tipus
Obligatòria d'especialitat (Xarxes de Computadors i Sistemes Distribuïts)
Requisits
Aquesta assignatura no té requisits, però té capacitats prèvies
Departament
AC
The course covers some basic techniques used in statistical analysis of networks and systems. In particular it discusses discrete and continuous probability models, bayesian estimation, classification and regression, and graphical models and dynamic systems. These concepts are introduced through classical examples taken from different research areas, including traffic modelling, wireless transmission systems, smartphone sensor data filtering, switching systems, address lookup algorithms, optical switching, anti-spam filters, etc.

Professors

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

  1. Habilitat de modelat quantitatiu
    Competències relacionades: CB6, CTR5, CEE2.2, CG4,

Continguts

  1. Models de probabilitat discreta.
    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.
  2. Models de probabilitat continua
    Sigma-algebras, measures, examples of non-measureable sets, probability axioms (revisited), Real numbers: Borel sigma-algebra, Sequences: Cylinder sigma-algebra (optional, online material), Cumulative Distribution Functions, 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.
  3. Estimació, classificació i regressió bayesiana
    Bernouilli variable: Maximum likelihood and bayesian estimation. Conjugate distributions. Bayesian classification and regression. Intro to MChs and MCMC (optional, online material)
  4. Models gràfics i sistemes dinàmics
    Graphical models. Belief propagation. Hidden Markov Models. Kalman filters. Time series

Activitats

Activitat Acte avaluatiu


Models probabilistics discrets

Review of basic discrete probability models. Inclusion/exclusion, conditional independence, inequalities (Markov, Chebyshev, Jensen), examples: Bernouilli, Binomial, Multinomial, Poisson, (weak) Law large numbers, entropy and mutual information
Objectius: 1
Continguts:
Teoria
6h
Problemes
6h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Models de probabilistics continus

Sigma-algebras, measures, examples of non-measureable sets, probability axioms, Real numbers: Borel sigma-algebra, Sequences: Cylinder sigma-algebra (optional, online material), Cumulative Distribution Functions, Density functions, examples: uniform, exponential, Gaussian (review, online material), beta, dirichlet, (eigenvalues/eigenvectors, symmetric, positive definite matrices, review online material), multivariate gaussian, memoryless of exponential distribution. Properties of Gaussian distributions, central limit theorem.
Objectius: 1
Continguts:
Teoria
6h
Problemes
6h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Estimació, classificació i regressió bayesiana

Bernouilli variable: Maximum likelihood and bayesian estimation. Conjugate distributions. Bayesian classification and regression. Intro to Markov Chains and MCMC (optional, online material)

Continguts:
Teoria
6h
Problemes
6h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

Models gràfics i sistemes dinàmics

Graphical models. Belief propagation. Hidden Markov Models. Kalman filters. Time series.
Objectius: 1
Continguts:
Teoria
6h
Problemes
6h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
0h

tests autoavaluació T1


Objectius: 1
Setmana: 4
Tipus: examen de teoria
Teoria
1h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
17h

test autoavaluació T2


Objectius: 1
Setmana: 8
Tipus: examen de teoria
Teoria
1h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
17h

test autoavaluació T3


Objectius: 1
Setmana: 12
Tipus: examen de teoria
Teoria
1h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
19h

test autoavaluació T4


Objectius: 1
Setmana: 16
Tipus: examen de teoria
Teoria
1h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
19h

Treball 1



Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
4.5h

Treball 2



Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
6h

Treball 3



Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
6h

treball 4



Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
6h

Metodologia docent

Alguns materials serán online. La resta en classes presencials a la pisarra. Classes de discussió de problemes i exemples,

Mètode d'avaluació

L'avaluació es basa en dos tipus d'activitats diferents

- 4 tests d'autoavaluació per tema del curs (Ai, i=1..4)
- 5 Treballs (Ti, i=1..4 i T5 optatiu)

A= (1/4) Sum Ai
T= (1/4) Sum Ti + 1/5xT5

La nota final del curs (F) serà:

F = 0.5 xA + 0.5 T

Bibliografia

Bàsica:

Complementaria:

Web links

Capacitats prèvies

Teoria de probabilitat bàsica, algebra lineal, càlcul

Addenda

Continguts

No hi ha canvis respecte la guia docent. No changes regarding "guia docent"

Metodologia docent

Presencial (normalment el número de alumnes matriculats està per sota 20). Presential (normally the number of students registered is under 20)

Mètode d'avaluació

El mateix que el proposat a la guia docent. No changes regarding "guia docent"

Pla de contingència

Es prepararien materials online per tota la assignatura. Classes per google meet per revisió dels conceptes més complexes i per problemes i dubtes (2 hores de classes per google meet a la setmana). We would post materials online for all the subject. Classes for google meet for review of the most complex concepts and for problems and questions (2 hours of classes for google meet per week)