Aprenentatge No Supervisat i per Reforçament

Crèdits

4.5

Tipus

Optativa

Requisits

Aquesta assignatura no té requisits , però té capacitats prèvies

Departament

Web

https://sites.google.com/upc.edu/mai-url

Aquest curs introduirà a diferents tècniques avançades dins de l'àrea de aprenentatge automàtic no supervisat. Els temes inclouen tècniques de reducció de dimensionalitat, algoritmes de clustering per dades estructurades i no estructurades, patrons freqüents i aprenentatge no supervisat basat en tècniques d'Aprenentatge Profund (Autoencoders, GANs, self supervised and contrastive learning)

Professorat

Responsable

Javier Béjar Alonso ( bejar@cs.upc.edu )

Hores setmanals

Teoria

Problemes

Laboratori

Aprenentatge dirigit

Aprenentatge autònom

5.33

Objectius

Coneixer i fer servir tecniques avançades d'aprenentatge no supervisat per a aplicacions en tots els dominis d'aplicació de la ingenieria i la ciencia
Competències relacionades: CB7, CT2, CT4, CEP1, CG3, CEA12, CEA13, CG1,

Continguts

Mineria de dades una perspectiva global
Breu introducció al que és Data Mining and Knowledge Discovery, les àrees a les quals es relacionen i les diferents tècniques que hi intervenen
Preprocessament i transformacio no supervisada de dades
En aquest tema s'inclouen diferents algorismes per a la preprocessos de dades no supervisats, com ara la normalització de dades, la discretització, la detecció de valors extrems, la reducció de dimensionalitats i l'extracció de característiques (PCA, ICA, SVD, linear and non linear multidimensional scalling and non negative matrix factorizationl)
Aprenentatge no supervisat
Aquest tema inclourà algoritmes clàssics i actuals per a l'aprenentatge no supervisat a partir de l'aprenentatge automàtic i estadístiques, incloent-hi algoritmes jeràrquics i pariticionals (K-means, Fuzzy C-means, Gaussian EM, particionament de gràfics, algorismes basats en densitat, algorismes basats en quadrícules, ANN no supervisats, propagació d'afinitat , ...)
Aprenentatge no supervisat en mineria de dades
This topic will include current trends on knowledge discovery for data mining and big data, (scalability, any time clustering, one pass algorithms, approximation algorithms, distributed clustering, ..)
Temes avançats en aprenentatge no supervisat
This topic will include and introduction to different advanced topics in unsupervised learning such as consensus clustering, subspace clustering, biclustering and semisupervised clustering
Aprendizaje no supervisado para datos sequencials i estucturades
This topic will include algorithms for unsupervised learning with sequential data and structured data, such as sequences, strings, time series and data streams, graphs and social networks
Unsupervised Deep Learning: Autoregressive and Flow models
We will see algorithms able to estimate probability distribution models from unsupervised data that can be sampled to generate new data assuming autoregressive dependencies and flow transference models
Unsupervised Deep Learning: Latent Variable models, Autoencoders and Variational Autoencoders
This topic will introduce to latent variable models for learning of probabilistic models of data and latent representations for sampling and generating data for applications in image and text generation
Unsupervised Deep Learning: Implicit models, Generative Adversarial Networks
This topic will introduce to models that represent implicitly probability distribution models using adversarial learning. Different models based on Generative Adversarial Networks will be explained following its evolution since their original formulation. Different applications to image generation will be explained.
Aprenentage profund no supervisat: Models de Difusió
Aquest tema introdueix models generatius amb variables latents que fan coincidir una distribució gausiana amb la distribució de les dades fent servir un procés discret o continu en el temps que simula la física de un procés de difusió. Veurem la formulació d'aquest models com un procés estocàstic o determinista i la seva connexió amb equacions diferencials
Unsupervised Deep Learning: Self-supervised and Contrastive learning
This topic will introduce to models for learning representations to be used for other tasks using self-supervised methodologies and contrastive learning. Different approaches for defining the unsupervised task used to learn a representation will be explained in the context of applications for image and text.

Activitats

Activitat Acte avaluatiu