Aprendizaje Automático II

• Profesorado
• Horas semanales
• Competencias
• Objetivos
• Contenidos
• Actividades
• Metodología docente
• Método de evaluación
• Bibliografía
• Capacidades previas

Profesorado

Responsable

• Ferran Marques Acosta ( )

Otros

• Carlos Hernández Pérez ( )
• Jaume Alexandre Solé Gómez ( )
• Javier Ruiz Hidalgo ( )
• Laia Albors Zumel ( )

Horas semanales

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.
• CT6 [Avaluable] - Aprendizaje autónomo. Detectar deficiencias en el propio conocimiento y superarlas mediante la reflexión crítica y la elección de la mejor actuación para ampliar dicho conocimiento.
• 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, CT6, 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, CT6, 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 avanzadas de métodos de aprendizaje profundo, para la resolución de problemas de aprendizaje, tanto supervisado como no supervisado
   Competencias relacionadas: CE1, CE2, CE3, CE4, CE8, CT5, CT7, CG1, CG2, CG5,
5. Conocer y saber aplicar las diferentes arquitecturas de redes para la resolución de problemas complejos con técnicas de aprendizaje profundo
   Competencias relacionadas: CE1, CE2, CE3, CE4, CE5, CE6, CE8, CT5, CG1, CG2, CG4, CG5,
6. 
   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,
7. 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. Elementos Básicos en Redes Neuronales
   - Retropropagación
   - Perceptrón y perceptrón multicapa.
   - Funciones de pérdida
   - Optimitzadores.
   - Convolución
   - Pool y Redes Neuronales Convolucionales
   - Deconvolución y Skip
2. Aspectos pràcticos en Redes Neuronales
   - Interpretabilidad
   - Metodología
   - Dropout y Regularización
   - Aprendizaje por Transferencia y Adaptación al Dominio
3. Arquitecturas
   - RNN, LSTM, GRU.
   - Atención y Transformers.
   - Generativas: GAN
   - GNN y AutoEncoders.

Actividades

Actividad Acto evaluativo

Metodología docente

Método de evaluación

Bibliografía

Básica:

• Pattern recognition and machine learning - Bishop, C.M, Springer, 2006. ISBN: 0387310738
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003157379706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Deep learning - Goodfellow, I.; Bengio, Y.; Courville, A, The MIT Press, 2016. ISBN: 9780262035613
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004107709706711&context=L&vid=34CSUC_UPC:VU1&lang=ca

Complementaria:

• Machine Learning 2 - Giró-i-Nieto, Xavier; Marqués, Ferrán; Ruíz, Javier, Notes de classe , .
  

Capacidades previas