Análisis Estadístico de Redes y Sistemas

Usted está aquí

Créditos
6
Tipos
Obligatoria de especialidad (Redes de Computadores y Sistemas Distribuidos)
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
AC
The course covers some basic techniques used in statistical analysis of networks and systems. In particular it discusses discrete and continuous probability models, bayesian estimation, classification and regression, and graphical models and dynamic systems. These concepts are introduced through classical examples taken from different research areas, including traffic modelling, wireless transmission systems, smartphone sensor data filtering, switching systems, address lookup algorithms, optical switching, anti-spam filters, etc.

Profesores

Responsable

  • Jorge García Vidal ( )

Otros

  • Jose Maria Barceló Ordinas ( )

Horas semanales

Teoría
2.4
Problemas
1.6
Laboratorio
0
Aprendizaje dirigido
0
Aprendizaje autónomo
7

Competencias

Competencias Técnicas de cada especialidad

Computer networks and distributed systems

  • CEE2.2 - Capacidad de entender los modelos, problemas y algoritmos relacionados con las redes de computadores, así como poder diseñar y evaluar algoritmos, protocolos y sistemas que traten la problemática de la redes de comunicación entre computadores.

Competencias Técnicas Genéricas

Genéricas

  • CG4 - Capacidad para la dirección general y técnica de proyectos de investigación, desarrollo e innovación, en empresas y centros tecnológicos, en el ámbito de la Ingeniería Informática.

Competencias Transversales

Actitud frente al trabajo

  • CTR5 - Tener motivación para la realización profesional y para afrontar nuevos retos, así como una visión amplia de las posibilidades de la carrera profesional en el ámbito de la Ingeniería en Informática. Tener motivación por la calidad y la mejora continua, y actuar con rigor en el desarrollo profesional. Capacidad de adaptación a los cambios organizativos o tecnológicos. Capacidad de trabajar en situaciones de falta de información y/o con restricciones temporales y/o de recursos.

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.

Objetivos

  1. The main goal of the course is to develop in the students quantitative modeling skills, based on probabilistic techniques.
    Competencias relacionadas: CB6, CTR5, CEE2.2, CG4,

Contenidos

  1. Discrete probability models
    Probability axioms, basic combinatorics, random variables, independence and conditional probability, expected values (review, only problems and online material), inclusion/exclusion, conditional independence, inequalities (Markov, Chebyshev, Jensen), examples: Bernouilli, Binomial, Multinomial, Poisson, (weak) Law large numbers, entropy and mutual information.
  2. Continuous probability models
    Sigma-algebras, measures, examples of non-measureable sets, probability axioms (revisited), Real numbers: Borel sigma-algebra, Sequences: Cylinder sigma-algebra (optional, online material), Cumulative Distribution Functions, Density functions, examples: uniform, exponential, Gaussian (review, problems and online material), beta, dirichlet, (eigenvalues/eigenvectors, symmetric, positive definite matrices video), multivariate gaussian, memoryless of exponential distribution. Properties of Gaussian distributions, central limit theorem.
  3. Bayesian estimation, classification and regression
    Bernouilli variable: Maximum likelihood and bayesian estimation. Conjugate distributions. Bayesian classification and regression. Intro to MChs and MCMC (optional, online material)
  4. Graphical models and dynamic systems
    Graphical models. Belief propagation. Hidden Markov Models. Kalman filters. Time series

Actividades

Actividad Acto evaluativo


Discrete probability models

Review of basic discrete probability models. Inclusion/exclusion, conditional independence, inequalities (Markov, Chebyshev, Jensen), examples: Bernouilli, Binomial, Multinomial, Poisson, (weak) Law large numbers, entropy and mutual information
Objetivos: 1
Contenidos:
Teoría
6h
Problemas
6h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Continuous probability models

Sigma-algebras, measures, examples of non-measureable sets, probability axioms, Real numbers: Borel sigma-algebra, Sequences: Cylinder sigma-algebra (optional, online material), Cumulative Distribution Functions, Density functions, examples: uniform, exponential, Gaussian (review, online material), beta, dirichlet, (eigenvalues/eigenvectors, symmetric, positive definite matrices, review online material), multivariate gaussian, memoryless of exponential distribution. Properties of Gaussian distributions, central limit theorem.
Objetivos: 1
Contenidos:
Teoría
6h
Problemas
6h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Bayesian estimation, classification and regression

Bernouilli variable: Maximum likelihood and bayesian estimation. Conjugate distributions. Bayesian classification and regression. Intro to Markov Chains and MCMC (optional, online material)

Contenidos:
Teoría
6h
Problemas
6h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Graphical models & dynamic systems

Graphical models. Belief propagation. Hidden Markov Models. Kalman filters. Time series.
Objetivos: 1
Contenidos:
Teoría
6h
Problemas
6h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

self-evaluating tests


Objetivos: 1
Semana: 4
Tipo: examen de teoría
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
17h

self-assesment test T2


Objetivos: 1
Semana: 8
Tipo: examen de teoría
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
17h

self assesment test T3


Objetivos: 1
Semana: 12
Tipo: examen de teoría
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
19h

self assesment test T4


Objetivos: 1
Semana: 16
Tipo: examen de teoría
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
19h

Homework1



Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
4.5h

Homework 2



Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
6h

Homework 3



Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
6h

Homework 4



Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
6h

Metodología docente

Some materials will be posted online. The main results will be explained in the blackboard. Classes with problem solving and application examples.

Método de evaluación

The evaluation is based on two different activities

- 4 tests, one per each part of the course (Ai, i=1..4)
- 5 Homeworks (Ti, i=1..4, T5 is optional)

A= (1/4) Sum_i=1..4 Ai
T= (1/4) Sum_i=1..4 Ti + 1/5 x T5

Final mark of the course (F):

F = 0.5 xA + 0.5 T

Bibliografía

Básica:

Complementaria:

Web links

Capacidades previas

Basic knowledge of probability theory, linear algebra and calculus

Adenda

Contenidos

No hi ha canvis respecte la guia docent. No changes regarding "guia docent"

Metodología docente

Presencial (normalment el número de alumnes matriculats està per sota 20). Presential (normally the number of students registered is under 20)

Método de evaluación

El mateix que el proposat a la guia docent. No changes regarding "guia docent"

Plan de contingencia

Es prepararien materials online per tota la assignatura. Classes per google meet per revisió dels conceptes més complexes i per problemes i dubtes (2 hores de classes per google meet a la setmana). We would post materials online for all the subject. Classes for google meet for review of the most complex concepts and for problems and questions (2 hours of classes for google meet per week)