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, principalmente las redes neuronales artificiales profundas. Como objetivo paralelo está la familiarización con los correspondientes entornos de computación.

Profesorado

Responsable

  • Ferran Marques Acosta ( )

Otros

  • Carlos Hernández Pérez ( )
  • Gerard Ion Gallego Olsina ( )
  • Javier Ruiz Hidalgo ( )

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.
  • 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 i AutoEncoders.

Actividades

Actividad Acto evaluativo


Desarrollo del tema 1


Objetivos: 1 2 3
Contenidos:
Teoría
12h
Problemas
0h
Laboratorio
12h
Aprendizaje dirigido
0h
Aprendizaje autónomo
10h

Desarrollo del tema 2


Objetivos: 1 2 3 4 5
Contenidos:
Teoría
6h
Problemas
0h
Laboratorio
4h
Aprendizaje dirigido
0h
Aprendizaje autónomo
10h

Desarrollo del tema 3


Objetivos: 2 4 5 6 7
Contenidos:
Teoría
12h
Problemas
0h
Laboratorio
12h
Aprendizaje dirigido
0h
Aprendizaje autónomo
16h

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.

Método de evaluación

La asignatura se evalua mediante un examen parcial (P), un examen final (F) y los informes de las prácticas de laboratorio (L)

La nota final se calcula como:

Nota Asignatura = MAX(0.3*L + 0.2*P + 0.5*F; 0.3*L + 0.7*F)

La nota de los estudiantos que concurran a la re-evaluación (R) será Nota Asignatura = 0.3*L + 0.7*R

Bibliografía

Básica:

Complementaria:

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

Capacidades previas

Programación en Python.