Aprendizaje Automático Avanzado

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

Profesorado

Responsable

• Luis Antonio Belanche Muñoz ( )

Otros

• Jamie Arjona Martínez ( )

Horas semanales

Competencias

Competencias Transversales

Uso solvente de los recursos de información

• CT4 - Gestionar la adquisicion, la estructuracion, el analisis y la visualizacion de datos e informacion en el ambito de la especialidad y valorar de forma critica los resultados de esta gestion.

Lengua extranjera

• CT5 - 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.

Básicas

• CB6 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
• CB7 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
• CB10 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.

Competencias Técnicas Genéricas

Genéricas

• CG2 - Identificar y aplicar métodos de análisis, extracción de conocimiento y visualización de datos recogidos en formatos muy diversos.

Competencias Técnicas

Específicas

• CE3 - Aplicar métodos de integración de datos para dar solución a problemas de ciencia de datos en entornos heterogéneos
• CE5 - Modelar, diseñar e implementar sistemas complejos de datos, incluyendo la visualización de datos
• CE8 - Extraer información de datos estructurados y no estructurados, teniendo en cuenta la naturaleza multivariante de los mismos.
• CE9 - Aplicar métodos adecuados para el análisis de otro tipo de formatos, tales como procesos y grafos, dentro del ámbito de ciencia de datos
• CE10 - Identificar los métodos de aprendizaje automático y modelización estadística a utilizar para resolver un problema específico de ciencia de datos y aplicarlos de forma rigurosa
• CE11 - Analizar y extraer conocimiento de información no estructurada mediante técnicas de procesamiento de lenguaje natural, minería de textos e imágenes

Objetivos

1. Métodos avanzados de aprendizaje automático
   Competencias relacionadas: CT4, CT5, CE8, CE9, CE10, CB6, CB10,
2. Estadística bayesiana
   Competencias relacionadas: CT4, CT5, CE5, CE8, CE10, CB7,
3. Optimización de redes neuronales y máquinas de vectores soporte
   Competencias relacionadas: CT4, CT5, CG2, CE3, CE5, CE11, CE8, CE9, CE10, CB6, CB7, CB10,
4. Modelos lineales y modelos lineales generalizados de regresión no paramétricos
   Competencias relacionadas: CT5, CE5, CE10, CB10,
5. Limpieza de datos
   Competencias relacionadas: CT4, CG2, CE3, CE11, CE8, CE9, CB6,

Contenidos

1. Theoretical refresher of machine learning. Introduction to Bayesian machine learning.
   Introduction to Bayesian thinking for machine learning. Learning by solving a regularized problem. Illustrative example.
2. Learning in functional spaces
   Reproducing kernel Hilbert spaces. The representer theorem. Example 1: Kernel ridge regression. Example 2: The Perceptron and the kernel Perceptron.
3. Fundamental kernel functions in R^d.
   Description and demonstration of fundamental kernel functions in R^d. Polynomial and Gaussian kernels. General properties of kernel functions.
4. The support vector machine for classification, regression and novelty detection
   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. Kernel functions for diferent data types
   Some kernel functions for different data types are presented and demonstrated, such as text, trees, graphs, categorical variables, and many others.
6. Other kernel-based learning algorithms
   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. Advanced and hybrid techniques in deep networks and kernel methods
    Other methods are briefly introduced, such as the RVM and GPs. Nyström acceleration and Random Fourier features. Deep kernel learning and maybe others.

Actividades

Actividad Acto evaluativo

Metodología docente

Método de evaluación

Bibliografía

Básica:

• Pattern recognition and machine learning - Bishop, Christopher M, Springer, cop. 2006. ISBN: 0387310738
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003157379706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Kernel methods for pattern analysis - Shawe-Taylor, John; Cristianini, Nello, Cambridge University Press, 2004. ISBN: 0521813972
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991002747459706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Neural networks and deep learning : a textbook - Aggarwal, Charu C, Springer, 2023. ISBN: 9783031296420
  https://ebookcentral-proquest-com.recursos.biblioteca.upc.edu/lib/upcatalunya-ebooks/detail.action?pq-origsite=primo&docID=30620507
• Deep learning : foundations and concepts - Bishop, Christopher M; Bishop, Hugh, Springer, [2024]. ISBN: 978-3031454677
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991005234379706711&context=L&vid=34CSUC_UPC:VU1
• Ensemble Methods: Foundations and Algorithms - Zhi-Hua Zhou, Chapman & Hall, 2025. ISBN: 978-1032960609
  

Capacidades previas