Conceptes Avançats en Intel·ligència Computacional

Esteu aquí

Crèdits
4
Tipus
Optativa
Requisits
Aquesta assignatura no té requisits, però té capacitats prèvies
Departament
CS
L'objectiu d'aquest curs és donar a conèixer als estudiants diferents tècniques avançades d'intel•ligència computacional. Un cop adquirits els coneixements bàsics de computació difusa, evolutiva i neural en el curs anterior, CI-MAI, els estudiants estan preparats per aprendre noves aproximacions d'intel•ligència computacional com ara les tècniques computacionals híbrides: els sistemes neuro-difusos i genètic-difusos, el raonament inductiu borrós, les xarxes neuronals difuses i heterogènies, així com les xarxes neuronals recurrents i mètodes incrementals per a la construcció de xarxes neuronals.

Professors

Responsable

  • René Alquezar Mancho ( )

Altres

  • Enrique Romero Merino ( )
  • Luis Antonio Belanche Muñoz ( )
  • Maria Angela Nebot Castells ( )

Hores setmanals

Teoria
1.8
Problemes
0
Laboratori
0.9
Aprenentatge dirigit
0.3
Aprenentatge autònom
5

Competències

Competències Tècniques Generals

Genèriques

  • CG3 - Capacitat per a la modelització, càlcul, simulació, desenvolupament i implantació en centres tecnològics i d'enginyeria d'empresa, particularment en tasques de recerca, desenvolupament i innovació en tots els àmbits relacionats amb la Intel·ligència Artificial.
  • CG4 - Capacitat per a la direcció general, direcció tècnica i direcció de projectes de recerca, desenvolupament i innovació en empreses i centres tecnològics, en l'àmbit de la Intel·ligència Artificial.

Competències Tècniques de cada especialitat

Acadèmiques

  • CEA11 - Capacitat de comprendre les tècniques avançades d'Intel·ligència Computacional, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.

Professionals

  • CEP2 - Capacitat de resoldre els problemes de presa de decisions de les diferents organitzacions, integrant eines intel·ligents.
  • CEP3 - Capacitat d'aplicació de les tècniques d'Intel·ligència Artificial en entorns tecnològics i industrials per a la millora de la qualitat i la productivitat.

Competències Transversals

Treball en equip

  • CT3 - Ser capaç de treballar com a membre d'un equip interdisciplinari, ja sigui com un membre més o duent a terme tasques de direcció, amb la finalitat de contribuir a desenvolupar projectes amb pragmatisme i sentit de la responsabilitat, tot assumint compromisos considerant els recursos disponibles.

Objectius

  1. Comprendre la metodologia del raonament inductiu difús per modelar sistemes i predir el seu comportament.
    Competències relacionades: CEA11, CG3, CG4,
  2. Aplicar la metodologia del raonament inductiu difús a la simulació de processos mediambientals, biomèdics, industrials o econòmics.
    Competències relacionades: CEP2, CEP3, CT3,
  3. Comprendre les diferents maneres de dissenyar tècniques híbrides d'intelligència computacional integrant lògica difusa, xarxes neurals i algorismes evolutius.
    Competències relacionades: CEA11, CG3, CG4,
  4. Aplicar tècniques híbrides d'intelligència computacional a la resolució de problemes complexs de mineria de dades.
    Competències relacionades: CEP2, CEP3, CT3,
  5. Comprendre algunes de les tècniques més avançades i recents en el camp de les xarxes neurals (per exemple, xarxes neurals recurrents, màquines d'aprenentatge extrem, xarxes neurals profundes).
    Competències relacionades: CEA11, CG3, CG4,
  6. Aplicar tècniques avançades de xarxes neurals per la resolució de problemes complexs de mineria de dades.
    Competències relacionades: CEP2, CEP3, CT3,

Continguts

  1. Raonament inductiu difús
    La metodologia FIR de raonament inductiu difús permet modelar qualitativament sistemes i predir quantitativament el seu comportament.
  2. Sistemes difusos híbrids: sistemes neuro-difusos i sistemes genètic-difusos
    Els sistemes difusos híbrids milloren les habilitats dels sistemes difusos usant les xarxes neurals i els algorismes genètics per a aprendre i adaptar els seus paràmetres de cara a un millor rendiment.
  3. Xarxes neurals heterogènies i difuses
    Les xarxes neurals basades en similaritat, possiblement entrenades amb algorismes evolutius, permeten el processament de dades difuses i heterogènies en problemes de classificació o regressió sense necessitat de codificar les dades.
  4. Mètodes incrementals de construcció de xarxes neurals i màquines d'aprenentatge extrem
    Els mètodes incrementals per a la construcció de xarxes neurals permeten una computació eficient de models senzills amb bon comportament de generalització. Les màquines d'aprenentatge extrem fan el mateix assignant pesos aleatoris a una part de l'arquitectura neural i optimitzant la resta de pesos.
  5. Xarxes neurals profundes
    Les xarxes neurals profundes... (a completar)
  6. Xarxes neurals recurrents
    Les xarxes neurals recurrents de temps discret permeten l'aprenentatge i processament de tasques amb entrada/sortida dinàmica, tals com la predicció de sèries temporals, la classificació de seqüències o la traducció.

Activitats

Activitat Acte avaluatiu


Raonament inductiu difús

Desenvolupament del tema corresponent de l'assignatura i exercicis de laboratori.
Objectius: 1 2
Continguts:
Teoria
1.8h
Problemes
0h
Laboratori
1.8h
Aprenentatge dirigit
0h
Aprenentatge autònom
4h

Sistemes difusos híbrids

Desenvolupament del tema corresponent de l'assignatura i exercicis de laboratori
Objectius: 3 4
Continguts:
Teoria
3.6h
Problemes
0h
Laboratori
1.8h
Aprenentatge dirigit
0h
Aprenentatge autònom
6h

Xarxes neurals heterogènies i difuses

Desenvolupament del tema corresponent de l'assignatura
Objectius: 3
Continguts:
Teoria
3.6h
Problemes
0h
Laboratori
0.9h
Aprenentatge dirigit
0h
Aprenentatge autònom
4h

Xarxes neurals incrementals i màquines d'aprenentatge extrem

Desenvolupament del tema corresponent de l'assignatura i exercicis de laboratori.
Objectius: 5 6
Continguts:
Teoria
2.7h
Problemes
0h
Laboratori
1.8h
Aprenentatge dirigit
0h
Aprenentatge autònom
5h

Xarxes neurals profundes

Desenvolupament del tema corresponent de l'assignatura i exercicis de laboratori
Objectius: 5 6
Continguts:
Teoria
5.4h
Problemes
0h
Laboratori
1.8h
Aprenentatge dirigit
0h
Aprenentatge autònom
8h

Xarxes neurals recurrents

Desenvolupament del tema corresponent de l'assignatura i exercicis de laboratori
Objectius: 5 6
Continguts:
Teoria
4.5h
Problemes
0h
Laboratori
2.7h
Aprenentatge dirigit
0h
Aprenentatge autònom
9h


Examen final


Objectius: 1 3 5
Setmana: 15 (Fora d'horari lectiu)
Tipus: examen final
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
3h
Aprenentatge autònom
4h

Metodologia docent

Les classes de teoria introdueixen tots els coneixements, les tècniques i els conceptes
necessaris que es posen en pràctica en les classes de laboratori. Les classes de teoria seran
majoritàriament del tipus classe magistral, però algunes d'elles poden ser del tipus classe
expositiva participativa, amb participació dels estudiants en la resolució de problemes o exercicis.

Les classes de laboratori tenen com a objectiu que els estudiants treballin amb eines de
programari que permeten aplicar les tècniques presentades a teoria a problemes reals.
Els estudiants usaran aquestes eines per desenvolupar el seu treball pràctic de l'assignatura,
que constarà d'una part de treball autònom individual i una part de treball en equip de 2/3
persones. Una part del temps de les classes de laboratori es dedicarà a l'orientació i
supervisió per part del professor d'aquests treballs autònoms i cooperatius.

Hi haurà un examen final que avaluarà els objectius específícs de comprensió dels conceptes
i mètodes presentats durant el curs. D'altra banda, els treballs individuals i en equip dels
estudiants permetran avaluar els objectius específics d'aplicació de les tècniques presentades,
així com les competències generals, bàsiques i transversals associades a l'assignatura.

Mètode d'avaluació

La nota de les competències tècniques (N) es calcula de la següent manera:

N = 0.40*EX_FINAL + 0.60*TREB_PRACT

on

* EX_FINAL és la nota de l'examen final;
* TREB_PRACT és la nota global dels treballs pràctics definits pels professors de
l'assignatura al llarg del curs (almenys 3 treballs) i realitzats en grups petits; es calcula com
la mitjana de les notes d'aquests treballs.


No obstant, N serà NP si l'estudiant no presenta res en cap de les activitats d'avaluació.

La nota de la competència transversal (Treball en Equip) s'obtindrà directament de
TREB_PRACT.

Bibliografia

Bàsica:

  • Fuzzy inductive reasoning for variable selection analysis and modelling of biological systems - NEBOT, Àngela; CELLIER, François E; CARVAJAL, Raúl; MUGICA, Francisco, International Journal of General Systems, 2009 / Volume 38, Issue 8, pages 793-811. ISBN: 0308-1079
  • Foundations of Neuro-Fuzzy Systems - NAUCK, Detlef; KLAWONN, Frank; KRUSE, Rudolf, John Wiley & sons, 1997. ISBN: 978-0471971511
    http://cataleg.upc.edu/record=b1132739~S1*cat
  • Genetic Fuzzy Systems: Evolutionary Tuning and Learning of Fuzzy Knowledge Bases - CORDÓN, Oscar; HERRERA, Francisco; HOFFMANN, Frank; MAGDALENA, Luis , World Scientific, 2001. ISBN: 978-981-02-4016-5
  • Fuzzy Neural Network Theory and Application - LIU, Puyin; LI, Hongxing , World Scientific, 2004. ISBN: 978-981-238-786-8
  • Recurrent neural networks - SCHMIDHUBER, Jürgen, updated 2011.
    http://www.idsia.ch/~juergen/rnn.html
  • Extreme learning machine: Theory and applications - HUANG, Guang-Bin; ZHU, Qin-Yu; SIEW, Chee-Kheong, Neurocomputing, 2006 / Vol. 70, pp 489–501. ISBN: 0925-2312
  • A fast learning algorithm for deep belief nets - HINTON, G. E; OSINDERO, S.; and TEH, Y. W. , Neural Computation, 2006 / Vol. 18, pp:1527-1554. ISBN: 0899-7667
  • Reducing the dimensionality of data with neural networks - HINTON, G. E. and SALAKHUTDINOV, R. R. , Science, 2006 / Vol. 313, pp:504-507. ISBN: 0036-8075

Complementaria:

  • Confidence measures for predictions in fuzzy inductive reasoning - CELLIER, François E; LÓPEZ, Josefina; NEBOT, Àngela; CEMBRANO, Gabriela, International Journal of General Systems , 2010 / Vol.39 (8), pp: 839-853. ISBN: 0308-1079
  • Optimization of fuzzy partitions for inductive reasoning using genetic algorithms - ACOSTA, Jesús.; NEBOT, Àngela; VILLAR, Pedro; and FUERTES, Josep Maria, International Journal of Systems Science , 2007 / Vol. 38, No. 12, pp: 991–1011. ISBN: 0020-7721
  • Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence - JANG, Jyh-Shing Roger; SUN, Chuen-Tsai; MIZUTANI, Eiji , Prentice Hall , 1997. ISBN: 978-0132610667
  • Heterogeneous Neural Networks: Theory and Applications - BELANCHE, Lluís, Universitat Politècnica de Catalunya, Ph.D. thesis , June 2000.
    http://www.lsi.upc.edu/~belanche/PhDThesis/TLABM1de3.pdf
  • Discrete-time recurrent neural networks - FORCADA, Mikel L., , 2002.
    http://www.dlsi.ua.es/~mlf/nnafmc/pbook/node21.html
  • Recurrent Neural Networks - HU, Xiaolin; and BALASUBRAMANIAM P. (eds.), InTech , 2008. ISBN: 978-953-7619-08-4
  • Constructive Neural Networks - FRANCO, Leonardo; JEREZ, José M. (Eds.), Springer , 2010. ISBN: 978-3-642-04512-7
  • Extreme learning machines: a survey - HUANG, Guang-Bin; WANG, Dian Hui; LAN, Yuan, International Journal of Machine Learning and Cybernetics , 2011 / Vol. 2, pp:107–122. ISBN: 1868-8071
  • Exploring Strategies for Training Deep Neural Networks - LAROCHELLE, Hugo; BENGIO, Yoshua; LOURADOUR, Jerôme; LAMBLIN, Pascal , Journal of Machine Learning Research , 2009 / Vol.1, pp:1-40 . ISBN: 1533-7928

Web links

Capacitats prèvies

Conceptes bàsics d'Intel•ligència Computacional, principalment xarxes neuronals, lògica difusa i algorismes evolutius