Introducció a l'Aprenentatge Automàtic

Crèdits
5
Tipus
Obligatòria
Requisits
Aquesta assignatura no té requisits , però té capacitats prèvies
Departament
CS;UB
Aquest curs és una introducció a l'aprenentate automàtic. Proporciona una breu introducció a conceptes, tècniques i algorismes d'aprenentatge automàtic. Es comença per temes de classificació i regressió linial i es finalitza amb temes com les màquines de suport vectorial. El curs es divideix en tres grans blocs: aprenentatge supervisat, aprenentatge no supervisat i teoria de l'aprenentatge. El curs proporciona molts casos d'estudi i aplicacions reals, per tal que l'alumne vegi l'aplicabilitat de les tècniques en visió per computador, sistemes mèdics o anàlisi de senyals.

Professorat

Responsable

Hores setmanals

Teoria
1.5
Problemes
0
Laboratori
1
Aprenentatge dirigit
0
Aprenentatge autònom
5.83

Competències

Competències Tècniques Generals

Genèriques

  • CG2 - Capacitat per a dirigir, planificar i supervisar equips multidisciplinaris.
  • 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

  • CEA3 - Capacitat de comprendre els principis bàsics de funcionament de les tècniques principals d'Aprenentatge Automàtic, i saber utilitzar-les en l'entorn d'un sistema o servei intel·ligent.

    • Professionals

  • CEP2 - Capacitat de resoldre els problemes de presa de decisions de les diferents organitzacions, integrant eines intel·ligents.
  • CEP7 - Capacitat de respectar la normativa legal i la deontologia en l'exercici professional.

    • 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.

    • Raonament

  • CT6 - Capacitat d'avaluar i analitzar de manera raonada i crítica sobre situacions, projectes, propostes, informes i estudis de caracter cientific-tecnic. Capacitat d'argumentar les raons que expliquen o justifiquen aquestes situacions, propostes, etc.

    • Analisis i sintesis

  • CT7 - Capacitat d'anàlisi i resolució de problemes tècnics complexos.

    • 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. Aprendre i entendre les tècniques d'aprenentatge automàtic tant en tasques supervisades com no supervisades
      Competències relacionades: CEA3, CT6, CB6,
    2. Aprendre a resoldre problemes usant les tecniques d'aprenentatge automàtic
      Competències relacionades: CEA3, CG2, CG4, CEP2, CEP7, CT3, CT6, CT7,

    Continguts

    1. 1. Introducció a l'aprenentatge automàtic
      - Què és l'aprenentatge?
      - Definició d'aprenentatge
      - Elements de l'aprenentatge automàtic
      - Paradigmes de l'aprenentatge automàtic
      - Aplicacions d'aprenentatge automàtic
      - Conceptes bàsics de la teoria de l'aprenentatge
    2. Aprenentatge no supervisat
      - Introducció a l'aprenentatge no supervisat
      - Clusterització
      - Classificació dels algorismes de clusteritzación: K-Means i EM
      - Análisi de factors: PCA i ICA
      - Mapes auto-organitzatius i Anàlisi multidimensional
      - Sistemes de recomanació
    3. Aprenentatge supervisat
      - Introducció i perspectives
      - Aprenentatge gandul
      - Introducció a la selecció d'atributs
      - Selecció de models
      - Sistemes recomanadors
      - Taxonomia de l'aprenentatge supervisat
      - Decisió linial
      - Decisió no-linial: Mètodes de Kernel
      - Decisió no-linial: Ensemble Learning
      - Aprenentatge bayesià

    Activitats

    Activitat Acte avaluatiu


    Exercici d'aprenentatge no supervisat

    Exercici d'aprenentatge no supervisat relacionat amb les tècniques estudiades en aquest curs
    Objectius: 2
    Setmana: 4
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Exercici d'aprenentatge supervisat basat en lazy learning

    Implementar un exercici d'aprenentatge gandul per a un problema particular
    Objectius: 2
    Setmana: 7
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Exercici d'aprenentatge supervisat basat en Kernel Learning

    En aquest exercici s'implementa i analitza Kernel Learning
    Objectius: 2
    Setmana: 10
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Exercici d'aprenentatge supervisat basat en Non Linear Decision Learning

    En aquest exercici s'implementa i analitzen algorismes d'ensemble learning
    Objectius: 2
    Setmana: 13
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Lectura y anàlisi d'articles d'investigació

    Llegir i analitzar diferents articles de recerca durant el curs
    Objectius: 1
    Setmana: 15
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Introducció a l'aprenentatge artificial

    Introducció a l'aprenentatge automàtic

    Teoria
    4h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Anàlisi de mètodes de clustering

    Anàlisi dels mètodes de clustering més coneguts i usats d'aprenentatge automàtic

    Teoria
    3h
    Problemes
    0h
    Laboratori
    3h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    1h

    Introducció al factor analysis

    Anàlisi de factors: estudi de les tècniques més conegudes

    Teoria
    4h
    Problemes
    0h
    Laboratori
    1h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Visualització

    Estudi dels mapes auto-organitzatius i les tècniques d'anàlisi multi-dimensional

    Teoria
    3h
    Problemes
    0h
    Laboratori
    1h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Introducció a l'aprenentatge supervisat

    Introducció a l'aprenentatge supervisat

    Teoria
    3h
    Problemes
    0h
    Laboratori
    1h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Introducció a l'aprenentatge "lazy"

    Estudi de diferents tècniques d'aprenentatge "lazy"

    Teoria
    2h
    Problemes
    0h
    Laboratori
    1h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Introducció a la selecció d'atributs

    Estudi de diferent tècniques de selecció d'atributs usades en aprenentatge artificial

    Teoria
    2h
    Problemes
    0h
    Laboratori
    2h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    1h

    Selecció de models

    Selecció de models i taxonomia

    Teoria
    2h
    Problemes
    0h
    Laboratori
    1h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Decisió linial

    Decisió linial: Algorismes

    Teoria
    4h
    Problemes
    0h
    Laboratori
    1h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Kernel Learning

    Kernel Learning

    Teoria
    3h
    Problemes
    0h
    Laboratori
    2h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Ensemble Learning

    Ensemble Learning

    Teoria
    3h
    Problemes
    0h
    Laboratori
    2h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Sistemes de recomanació

    Sistemes de recomanació. Objectius. Taxonomia. Elements dels procés de recomanació. Algorismes bàsics.

    Teoria
    3h
    Problemes
    0h
    Laboratori
    2h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h

    Metodologia docent

    La classe es divideix en dues parts:
    - Teoria (2 hores) on s'introdueixen els conceptes teòrics del curs
    - Laboratori (1 hora) que inclou: exercicis pràctics i classes participatives

    Mètode d'avaluació

    L'avaluació está dividida en dues parts:

    Exam: examen de teòric al final del semestre
    Work: Treballs al llarg del semestre (5 treballs)

    Nota_Final = a x Exam + b x Work
    Cada curs a i b s'establiran dins dels següents marges: 0,35 <= a <= 0,5 and 0,3 <= b <= 0,6

    Work = c x W1 + d x W2 + e x W3 + f x W4
    Cada curs c, d, e, i f s'establiran dins dels següents marges: 0,2 <= {c,e} <= 0,4 and 0,1 <= {d, f} <= 0,2

    Bibliografia

    Bàsic

    Web links

    • For more information visit: https://www.ub.edu/pladocent/?cod_giga=569389&curs=2024&idioma=ENG http://Pla docent UB

    Capacitats prèvies

    Es recomanable que l'alumne tingui un mínim de coneixements de programació en llenguatge Python y Java.