Aprenentatge No Supervisat i per Reforçament

Esteu aquí

Crèdits
4.5
Tipus
Optativa
Requisits
Aquesta assignatura no té requisits, però té capacitats prèvies
Departament
CS
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)

Professors

Responsable

  • Javier Béjar Alonso ( )

Hores setmanals

Teoria
3
Problemes
0
Laboratori
0
Aprenentatge dirigit
0.38
Aprenentatge autònom
5.7

Competències

Competències Tècniques Generals

Genèriques

  • CG1 - Capacitat per a projectar, dissenyar i implantar productes, processos, serveis i instal·lacions en tots els àmbits de la Intel·ligència Artificial.
  • 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.

Competències Tècniques de cada especialitat

Acadèmiques

  • CEA12 - Capacitat de comprendre les tècniques avançades d'Enginyeria del Coneixement, Aprenentatge Automàtic i Sistemes de Suport a la Decisió, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.
  • CEA13 - Capacitat de comprendre les tècniques avançades de Modelització, Raonament i Resolució de problemes, i saber dissenyar, implementar i aplicar aquestes tècniques en el desenvolupament d'aplicacions, serveis o sistemes intel·ligents.

Professionals

  • CEP1 - Capacitat de resoldre les necessitats d'anàlisi de la informació de les diferents organitzacions, tot identificant les fonts d'incertesa i variabilitat.

Competències Transversals

Sostenibilitat i compromís social

  • CT2 - Conèixer i comprendre la complexitat dels fenòmens econòmics i socials típics de la societat del benestar; tenir capacitat per relacionar el benestar amb la globalització i la sostenibilitat; assolir habilitats per usar de forma equilibrada i compatible la tècnica, la tecnologia, l'economia i la sostenibilitat.

ús solvent dels recursos d'informació

  • CT4 - Gestionar l'adquisició, l'estructuració, l'anàlisi i la visualització de dades i informació de l'àmbit d'especialitat, i valorar de forma crítica els resultats d'aquesta gestió.

Bàsiques

  • CB7 - Que els estudiants siguin capaços d'integrar coneixements i enfrontar-se a la complexitat de formular judicis a partir d'una informació que, essent incomplerta o limitada, inclogui reflexions sobre les responsabilitats socials i ètiques vinculades a l'aplicació dels seus coneixements i judicis.

Objectius

  1. 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

  1. 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
  2. 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)
  3. 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 , ...)
  4. 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, ..)
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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.
  10. 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


Aprenentatge no supervisat

Aquesta activitat desenvolupa el temari de la part d'aprenentatge no supervisat del curs
  • Teoria: Aprenentatge no supervisat
  • Aprenentatge autònom: Aprenentatge no supervisat
Objectius: 1
Continguts:
Teoria
18h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
2.3h
Aprenentatge autònom
34.2h

Teoria
18h
Problemes
0h
Laboratori
0h
Aprenentatge dirigit
2.3h
Aprenentatge autònom
34.2h

Metodologia docent

Classes magistrals i laboratoris a clase

Mètode d'avaluació

L'avaluació es basarà en un qüestionari individual sobre els temes del curs (30%) i a escollir entre escriure un treball sobre l'estat de l'art per a un tema concret entre els proposats o implementar un algoritme d'aprenentatge (70%).

Bibliografia

Bàsica:

Web links

Capacitats prèvies

Conocimientos basicos de clustering y redes neuronales

Addenda

Continguts

NO HI HA CANVIS RESPECTE LA INFORMACIÓ PUBLICADA A LA GUIA DOCENT

Metodologia docent

NO HI HA CANVIS RESPECTE LA INFORMACIÓ PUBLICADA A LA GUIA DOCENT

Mètode d'avaluació

NO HI HA CANVIS RESPECTE LA INFORMACIÓ PUBLICADA A LA GUIA DOCENT