Aprenentatge Automàtic Avançat

Crèdits
6
Tipus
Optativa
Requisits
Aquesta assignatura no té requisits , però té capacitats prèvies
Departament
CS
L'objectiu de l'aprenentatge automàtic és el desenvolupament de teories, tècniques i algoritmes que permetin a un sistema modificar el seu comportament a través de dades observacionals que representen informació incompleta sobre un procés o fenomen natural, subjecte a incertesa estadística. L'aprenentatge automàtic és un punt de trobada de diferents disciplines: estadística multivariant, algoritmes i optimització matemàtica, entre d'altres.

L'assignatura revisa alguns fonaments i després aprofundeix en diverses tècniques modernes d'aprenentatge no lineal que van des de les xarxes neuronals modernes fins a mètodes avançats d'aprenentatge basats en nuclis i els darrers desenvolupaments en mètodes de conjunt. També pretén proporcionar una visió força unificada de l'àrea i de les possibles perspectives de futur.

Professorat

Responsable

Altres

Hores setmanals

Teoria
3.2
Problemes
0
Laboratori
1
Aprenentatge dirigit
0
Aprenentatge autònom
7.38

Competències

Competències Transversals

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.

    • Tercera llengua

  • CT5 - Conèixer una tercera llengua, preferentment l'anglès, amb un nivell adequat oral i escrit i en consonància amb les necessitats que tindran els titulats i titulades.

    • 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.
  • 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.
  • CB10 - Posseir i comprendre coneixements que aportin una base o oportunitat de ser originals en el desenvolupament i/o aplicació d'idees, sovint en un context de recerca.

    • Competències Tècniques Generals

    Genèriques

  • CG2 - Identificar i aplicar mètodes d'anàlisi, extracció de coneixement i visualització de dades recollides en formats molt diferents

    • Competències Tècniques

    Específiques

  • CE3 - Aplicar mètodes d'integració de dades per donar solució a problemes de ciència de dades en entorns heterogenis
  • CE5 - Modelar, dissenyar i implementar sistemes complexos de dades, incloent-hi la visualització de dades
  • CE8 - Extreure informació de dades estructurades i no estructurades, tenint en compte la naturalesa multivariant de les mateixes.
  • CE9 - Aplicar mètodes adequats per a l'anàlisi d'altres tipus de formats, com ara processos i grafs, dins l'àmbit de ciència de dades
  • CE10 - Identificar els mètodes d'aprenentatge automàtic i modelització estadística a utilitzar per resoldre un problema específic de ciència de dades, i aplicar-los de forma rigorosa
  • CE11 - Analitzar i extreure coneixement d'informació no estructurada mitjançant tècniques de processament de llenguatge natural, mineria de textos i imatges

    • Objectius

    1. Mètodes avançats d'aprenentatge automàtic
      Competències relacionades: CB10, CB6, CT4, CT5, CE10, CE8, CE9,
    2. Estadística bayesiana
      Competències relacionades: CB7, CT4, CT5, CE10, CE5, CE8,
    3. Optimització de xarxes neuronals i màquines de vectors suport
      Competències relacionades: CB10, CB6, CB7, CT4, CT5, CE10, CE11, CE3, CE5, CE8, CE9, CG2,
    4. Models lineals i models lineals generalitzats de regressió no paramètrics
      Competències relacionades: CB10, CT5, CE10, CE5,
    5. Neteja de dades
      Competències relacionades: CB6, CT4, CE11, CE3, CE8, CE9, CG2,

    Continguts

    1. Introducció a l'aprenentatge automàtic bayesià
      Introduction to Bayesian thinking for machine learning. Learning by solving a regularized problem. Illustrative example.
    2. Aprenentatge en espais funcionals
      Reproducing kernel Hilbert spaces. The representer theorem. Example 1: Kernel ridge regression. Example 2: The Perceptron and the kernel Perceptron.
    3. Funcions de kernel fomamentals en R^d
      Description and demonstration of fundamental kernel functions in R^d. Polynomial and Gaussian kernels. General properties of kernel functions.
    4. La màquina de suport vectorial per a la classificació, regressió i detecció de novetats
      The support vector machine (SVM) is the flagship in kernel methods. Its versions for classification, regression and novelty detection are fully explained and demonstrated.
    5. Funcions de kernel per a diferents tipus de dades
      Some kernel functions for different data types are presented and demonstrated, such as text, trees, graphs, categorical variables, and many others.
    6. Altres algorismes d'aprenentatge basats en kernels
      Additional kernel-based learning methods are explained, such as kernel PCA and kernel FDA. These are illustrated in several application examples.
    7. Introduction to deep neural networks. Autoencoders and Variational Autoencoders.
      Introduction to deep neural networks: reminder of fundamental neural network theory and optimization, qualitative description, loss functions, activation functions, regularization and best practices.
      Autoencoders and Variational Autoencoders.
    8. Special networks: (New) Hopfield neural networks and KANs
      Special networks: (New) Hopfield neural networks and KANs.
    9. Ensemble methods: baggers, boosters and stackers
      This activity cover the basic and modern developments in ensemble methods, including baggers, boosters and stackers.
    10. Tècniques avançades basades en xarxes profundes i mètodes kernel
      Other methods are briefly introduced, such as the RVM and GPs. Nyström acceleration and Random Fourier features. Deep kernel learning and maybe others.

    Activitats

    Activitat Acte avaluatiu




    Examen final


    Objectius: 1 2 4 3 5
    Setmana: 17
    Teoria
    0h
    Problemes
    0h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    0h


    Metodologia docent

    El curs aprofundeix en els paradigmes d'aprenentatge automàtic més importants amb una base sòlida en probabilitat, estadística i matemàtiques. La teoria s'introdueix a classes magistrals on el professor exposa els conceptes. Aquests conceptes es posen en pràctica a les classes de laboratori, on l'alumne aprèn a desenvolupar solucions d'aprenentatge automàtic a problemes reals de certa complexitat. Els estudiants han de treballar i lliurar un projecte al final del curs.

    Mètode d'avaluació

    L'assignatura es qualifica de la següent manera:

    F = Nota de l'examen final
    P1, P2, P3 = Nota dels treballs pràctics (1, 2 i 3)

    Nota final = 25% F + 25% P1 + 25% P2 + 25% P3

    Bibliografia

    Bàsic

    Capacitats prèvies

    Curs de Machine Learning