Aprendizaje Automático II

Usted está aquí

Créditos
6
Tipos
Obligatoria
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
CS;TSC
El objetivo del aprendizaje automático ("machine learning", en inglés) es el desarrollo de teorías, técnicas y algoritmos que permitan a un sistema modificar su comportamiento a través de la observación de datos que representan información incompleta sobre un proceso o fenómeno sujeto a incertidumbre estadística. El aprendizaje automático es un punto de encuentro de diferentes disciplinas: la estadística multivariante, la inteligencia artificial, la algoritmia y la optimización, entre otros. La asignatura profundiza en las técnicas modernas de aprendizaje a partir de datos, incluyen las redes neuronales artificiales profundas, el aprendizaje por refuerzo profundo y los métodos basados en funciones de kernel. Como objetivo paralelo está la familiarización con los correspondientes entornos de computación.

Profesores

Responsable

  • Xavier Giró Nieto ( )

Otros

  • Luis Antonio Belanche Muñoz ( )

Horas semanales

Teoría
2
Problemas
0
Laboratorio
2
Aprendizaje dirigido
0.333
Aprendizaje autónomo
5

Competencias

Competencias Técnicas

Competencias técnicas

  • CE1 - Utilizar con destreza los conceptos y métodos matemáticos que subyacen los problemas de la ciencia y la ingeniería de los datos.
  • CE2 - Ser capaz de programar soluciones a problemas de ingeniería: Diseñar soluciones algorítmicas eficientes a un problema computacional dado, implementarlas en forma de Programa robusto, estructurado y mantenible, y comprobar la validez de la solución.
  • CE3 - Analizar fenómenos complejos mediante la probabilidad y estadística, y plantear modelos de estos tipos en situaciones concretas. Formular y resolver problemas de optimización matemática.
  • CE4 - Utilizar los sistemas de computación actuales, incluidos sistemas de alto rendimiento, para el proceso de grandes volúmenes de datos desde el conocimiento de su estructura, funcionamiento y particularidades.
  • CE5 - Diseñar y aplicar técnicas de procesado de señal, eligiendo entre distintas herramientas tecnológicas, incluidas las de visión Artificial, de reconocimiento del lenguaje hablado y las de tratamiento de datos multimedia.
  • CE6 - Construir o utilizar sistemas de procesado y comprensión del lenguaje escrito, integrándolo en otros sistemas dirigidos por los datos. Diseñar sistemas de búsqueda de información textual o hipertextual y de análisis de redes sociales.
  • CE8 - Capacidad de elegir y emplear técnicas de modelización estadística y análisis de datos, evaluando la calidad de los modelos, validándolos e interpretándolos.
  • CE9 - Capacidad de elegir y emplear una variedad de técnicas de aprendizaje automático y construir sistemas que las utilicen para la toma de decisiones, incluso de forma autónoma.

Competencias Transversales

Transversales

  • CT3 - Comunicación eficaz oral y escrita. Comunicarse de forma oral y escrita con otras personas sobre los resultados del aprendizaje, de la elaboración del pensamiento y de la toma de decisiones; participar en debates sobre temas de la propia especialidad.
  • CT5 - Uso solvente de los recursos de información. Gestionar la adquisición, la estructuración, el análisis y la visualización de datos e información en el ámbito de especialidad y valorar de forma crítica los resultados de dicha gestión.
  • CT7 - Tercera lengua. Conocer una tercera lengua, preferentemente el inglés, con un nivel adecuado oral y escrito y en consonancia con las necesidades que tendrán los titulados y tituladas.

Competencias Técnicas Genéricas

Genéricas

  • CG1 - Concebir sistemas computacionales que integren datos de procedencias y formas muy diversas, creen con ellos modelos matemáticos, razonen sobre dichos modelos y actúen en consecuencia, aprendiendo de la experiencia.
  • CG2 - Elegir y aplicar los métodos y técnicas más adecuados a un problema definido por datos que representen un reto por su volumen, velocidad, variedad o heterogeneidad, incluidos métodos informáticos, matemáticos, estadísticos y de procesado de la señal.
  • CG3 - Trabajar en equipos y proyectos multidisciplinares relacionados con el procesado y explotación de datos complejos, interactuando fluidamente con ingenieros y profesionales de otras disciplinas.
  • CG4 - Identificar oportunidades para aplicaciones innovadoras orientadas a datos en entornos tecnológicos en continua evolución.
  • CG5 - Poder recurrir a conocimientos fundamentales y metodologías de trabajo sólidas adquiridos durante los estudios para adaptarse a los nuevos escenarios tecnológicos del futuro.

Objetivos

  1. Organizar el flujo de solución de un problema de aprendizaje automático, analizando las posibles opciones y elegiendo los desajustes al problema.
    Competencias relacionadas: CE8, CG2,
  2. Decidir, defensar i criticar una solución para un problema de aprendizaje automático, argumentando los puntos fuertes y débiles de la aproximación
    Competencias relacionadas: CE1, CE2, CE3, CE4, CE5, CE6, CE8, CE9, CG1, CG2,

  3. Conocer y saber aplicar técnicas avanzadas para la resolución de problemas de aprendizaje no supervisado, especialmente de clustering
    Competencias relacionadas: CE1, CE2, CE4, CT5, CG1, CG2,
  4. Conocer y saber aplicar técnicas de redes neuronales multicapa feed-forward profundas para la resolución de problemas complejos de aprendizaje supervisado
    Competencias relacionadas: CE1, CE3, CE4, CT7, CG1, CG5,
  5. Conocer y saber aplicar técnicas avanzadas de métodos de aprendizaje basados ​​en funciones de kernel, para la resolución de problemas de aprendizaje, tanto supervisado como no supervisado
    Competencias relacionadas: CE1, CE2, CE3, CE4, CE8, CT5, CT7, CG1, CG2,

  6. Conocer y saber aplicar las técnicas avanzadas para la resolución de problemas de aprendizaje por refuerzo, y su relación con técnicas de aprendizaje profundo
    Competencias relacionadas: CE1, CE2, CE3, CE4, CE5, CE6, CT5, CG1, CG2, CG4,

  7. Saber identificar problemas que involucren procesamiento de señal, tales como datos en forma de audio, imagen o video, o una combinación suya, y resolverlas con técnicas avanzadas de aprendizaje computacional
    Competencias relacionadas: CE1, CE2, CE3, CE4, CE5, CE8, CE9, CT5, CT7, CG1, CG2, CG3, CG4,
  8. Saber identificar problemas que involucren procesamiento del habla humana o no humana, tales como datos en forma de audio o texto, o una combinación suya, y resolverlas con técnicas avanzadas de aprendizaje computacional
    Competencias relacionadas: CE1, CE2, CE3, CE4, CE6, CT3, CT7, CG1, CG2, CG3, CG4, CG5,

Contenidos

  1. Introducción al aprendizaje automático

    Descripción y planteamiento de los problemas atacados por el aprendizaje automático. Identificación de áreas y problemas modernos (datos, escalabilidad, heterogeneidad, etc). Introducción a las técnicas modernas y avanzadas cubiertas en curso. Ejemplos avanzados de aplicación.
  2. Introducción a los métodos basados en kernel
    Kernel ridge regression. Feature maps. Introducció als espais de Hilbert. Representer Theorem. Spectral clustering.
  3. Funciones de kernel no-estandard
    Funciones de kernel no-estándar: refresco y ampliación de la definición de función de kernel. Aprendizaje en los RKHS. Funciones de kernel para el análisis de texto, grafos, datos biomédicos (-OMIC).
  4. Métodos kernel avanzados
    Métodos kernel avanzados: kPCA, KFDA, Relevance Vector Machines. Aplicaciones avanzadas.
  5. Capas neuronales
    - Perceptrón y perceptrón multicapa.
    - Capas convolucionales.
    - Capas recurrentes.
    - Capas residuales
    - Mecanismos de atención.
  6. Entrenamiento de redes neuronales profundas
    - Retropropagación.
    - Funciones de pérdida.
    - Optimizadores.
    - Metodología.
    - Aumento de datos.
    - Normalización por lotes.

Actividades

Actividad Acto evaluativo


Desarrollo del tema 1


Objetivos: 1
Contenidos:
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
2h

Desarrollo del tema 2


Objetivos: 3
Contenidos:
Teoría
4h
Problemas
0h
Laboratorio
4h
Aprendizaje dirigido
0h
Aprendizaje autónomo
10h

Desarrollo del tema 3


Objetivos: 5
Contenidos:
Teoría
4h
Problemas
0h
Laboratorio
4h
Aprendizaje dirigido
0h
Aprendizaje autónomo
10h

Desarrollo del tema 4


Objetivos: 2 5 7 8
Contenidos:
Teoría
6h
Problemas
0h
Laboratorio
6h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h

Desarrollo del tema 5


Objetivos: 2 4 7 8
Contenidos:
Teoría
6h
Problemas
0h
Laboratorio
6h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h

Desarrollo del tema 6


Objetivos: 1 2 4 7 8
Contenidos:
Teoría
6h
Problemas
0h
Laboratorio
6h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h

Desarrollo del tema 7


Objetivos: 7 8 1 2 3 6
Teoría
3h
Problemas
0h
Laboratorio
4h
Aprendizaje dirigido
0h
Aprendizaje autónomo
8h

Control de la práctica


Objetivos: 1 2
Semana: 10
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
2h
Aprendizaje autónomo
0h

Libramiento de la práctica


Objetivos: 1 2 3 4 5 6 7 8
Semana: 15
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
3h
Aprendizaje autónomo
0h

Metodología docente

Las clases de teoría introducen todo los conocimientos, las técnicas, conceptos y resultados necesarios para alcanzar un nivel bien fundamentado. Estos conceptos se ponen en práctica en las clases de laboratorio, en las que el estudiante aprende a desarrollar soluciones de aprendizaje automático a problemas reales de cierta complejidad.

En las clases de problemas se profundiza en entender la teoría mediante la resolución de problemas o la ampliación de conceptos ya vistos.

En las clases de laboratorio se proporciona código en diversos entornos de computación que permitan resolver un problema completamente con la o las técnicas correspondientes al tema en curso. Este laboratorio también sirve de guía para la parte correspondiente de las prácticas que desarrollan los alumnos.

Método de evaluación

La asignatura se evalúa mediante un examen parcial, un examen final y trabajos prácticos en los que se atacan problemas reales, redactando los correspondientes informes.

El parcial corresponderá a la parte de métodos basados en kernels y liberará materia.

La nota final se calcula como:

Nota Asignatura = 0,4 * Trabajos + 0,6 * (Final + Parcial) / 2

Para los estudiantes que concurran a la reevaluación, la nota de examen de reevaluación comprenderá las dos partes del temario y sustituirá 0,6 * (Final + Parcial) / 2.

Bibliografía

Básica:

Capacidades previas

Programación en Python.

Adenda

Contenidos

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

Metodología docente

Les sessions de teoria es realitzaran de forma no presencial. Les sessions de problemes/laboratori es realitzaran amb els ordinadors personals de cada estudiant, que hauran de portar, en aules electrificades i amb accés sense fils a Internet mitjançant la xarxa Eduroam.

Método de evaluación

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

Plan de contingencia

Les sessions de problemes/laboratori es passaran a un format en línia síncron en cas que es cancel·lés tota activitat lectiva físicament presencial. Els exàmens (parcial, final, reavaluació), en cas de no poder fer-se presencials, es farien no presencials, via "Pràctiques" del racó o via Atenea.