Introducció a l'Aprenentatge Automàtic

Esteu aquí

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

  • Maria Salamó Llorente ( )

Hores setmanals

Teoria
1.5
Problemes
0
Laboratori
1
Aprenentatge dirigit
0
Aprenentatge autònom
2

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: CT6, CEA3, CB6,
  2. Aprendre a resoldre problemes usant les tecniques d'aprenentatge automàtic
    Competències relacionades: CT3, CT6, CT7, CEA3, CEP2, CEP7, CG2, CG4,

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
    - 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
15h

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
15h

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
15h

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
15h

Lectura y anàlisi d'articles d'investigació

Llegir i analitzar diferents articles de recerca durant el curs
Objectius: 1
Setmana: 15 (Fora d'horari lectiu)
Teoria
0h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
0h
Aprenentatge autònom
10h

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

Bàsica:

Capacitats prèvies

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