Análisis Estadístico de Redes y Sistemas

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

Profesorado

Responsable

• Jorge García Vidal ( )

Otros

• Jose Maria Barceló Ordinas ( )

Horas semanales

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. Desarrollar la habilidad en el desarrollo de modelos cuantitativos probabilísticos.
   Competencias relacionadas: CB6, CTR5, CEE2.2, CG4,

Contenidos

1. repaso de modelos de probabilidad
   Axiomas de probabilidad, combinatoria, variables aleatorias, probabilidad condicionada e independencia, valores esperados, independencia condicional, desigualdades Ley (débil) de los grandes números. Teoría de la información (Entropía, información mútua, etc). Propiedades de la distribución gausiana multivariada. Ley del límite central.
2. Estimación. Técnicas básicas de ML para clasificación y regressión
   estimación de máxima verosimilitud y bayesiana. Funciones de decisión, coste, riego, minimización del riesgo empírico. Aproximación y estimación. Compromiso entre el bias y la varianza. Clasificación. Regresión lineal. Arquitecturas básicas de redes neuronales.
3. Modelos lineales y reducción de dimensionalidad
   Review of basic linear algebra results, spectral theorem for symmetric matrices, positive definite matrices, matrix calculus, trace operator, SVD, matrix norms, Eckart-Young theorem, condition number, dimensionality reduction, PCA, eigenfaces, Sparse representation, Fourier matrices, Graph signal processing

Actividades

Actividad Acto evaluativo

Metodología docente

Método de evaluación

Bibliografía

Básica:

• Information theory, inference, and learning algorithms - MacKay, D.J.C, Cambridge University Press, 2003. ISBN: 0521642981
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991002876809706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Probability and statistics: the science of uncertainty - Evans, M.J.; Rosenthal, J.S, W.H. Freeman and Company, 2010. ISBN: 9781429224628
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004003999706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• An introduction to probability theory and its applications - Feller, W, John Wiley and Sons, 1968. ISBN: 0471257117
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991000036749706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• 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
• Linear Algebra and learning from data - G. Strang, Wellesley-Cambridge, 2020. ISBN: 978-06921963-8-0
  https://math.mit.edu/~gs/learningfromdata/
• An Introduction to Statistical Learning - G. James, D. Witten, T. Hastie, R. Tibshirani, Springer, 2021.
  https://www.statlearning.com/

Complementaria:

• A first look at rigorous probability theory - Rosenthal, J.S, World Scientific , 2006. ISBN: 9812703713
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004193689706711&context=L&vid=34CSUC_UPC:VU1&lang=ca

Capacidades previas