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
El curso presenta técnicas básicasde análisis estadístico de sistemas y redes- En primer lugar revisa y extiende conceptos de probabilidad, teoría de información y algebra lineal. después trata el problema de la estimación, y las técnias básicas de Machine Learning (aprendizaje automático) para regresión y clasificación.

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

Contenidos

  1. Modelos de probabilidad
    Axiomas de probabilidad, combinatoria, variables aleatorias, probabilidad condicionada e independencia, valores esperados (revisión, problemas y material on-line). 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. Modelos lineales
    Teorema espectral para matrices simétricas, Matrices positivas definidas, formas cuadráticas. SVD. Problemas con espacios de alta dimension. Reducción de dimensión. PCA. Pseudo inversa de Monroe-Penrose.
  3. Estimación. Técnicas básicas de ML para clasificación y regressión
    estimación de máxima verosimilitud y bayesiana. Regresión linear. Maximum likelihood and bayesian estimation. Regresión lineal. Bias-variance tradeoff Clasificación.
  4. Modelos gráficos y sistemas dinámicos
    Modelos gráficos, propagación de creencias. Modelos ocultos de markov. Filtros de Kalman. Series temporales

Actividades

Actividad Acto evaluativo


Modelos probabilísticos

Axiomas de probabilidad, combinatoria, variables aleatorias, probabilidad condicionada e independencia, valores esperados (revisión, problemas y material on-line). Inclusión/exclusión, independencia condicional, desigualdades y ejemplos de distribuciones discretas. Ley (débil) de los grandes números. Funciones de distribución acumulativas, funciones de densidad de probabilidad, ejemplos (revisión, material online). Teoría de la información (Entropía, información mútua, etc). Propiedades de la distribución exponencial y gausiana multivariada. Ley del límite central.
Objetivos: 1
Contenidos:
Teoría
6h
Problemas
6h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Modelos lineales

Teorema espectral para matrices simétricas, Matrices positivas definidas, formas cuadráticas. SVD. Reducción de dimensión. PCA. Pseudo inversa de Monroe-Penrose. Espacios de dimensión infinita, Continuidad de operadores lineales. Espacios de Hilbert. Teorema de representación de Riesz.
Objetivos: 1
Contenidos:
Teoría
6h
Problemas
6h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

estimación. Técnicas básicas de aprendizaje automático para regresión y clasificación.

estimación de máxima verosimilitud y bayesiana. Regresión linear. Maximum likelihood and bayesian estimation. Regresión lineal. Bias-variance tradeoff Clasificación.

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

Modelos gráficos y sistemas dinámicos

Modelos gráficos. Propagación de creencias. Modelos ocultos de markov. Filtros de Kalman. Series temporales.
Objetivos: 1
Contenidos:
Teoría
6h
Problemas
6h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

test autoavaluación T1


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

test autoavaluación T2


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

test autoavaluación T3


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

test autoavaluación T4


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

Trabajo 1



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

Trabajo 2



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

Trabajo 3



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

Trabajo 4



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

Metodología docente

Algunos materiales estarán disponibles online. Los principales resultados se explicarán en clase. Se harán clases de problemas y de ejemplos de aplicación.

Método de evaluación

La evaluación se basa en el desarrollo de varios proyectos. Cada uno de los proyectos será evaluado (0=
FM = Suma_i (Wi*Mi)

Donde:

Wi = es el peso de cada proyecto i = 1, ... N
Mi = es la nota de cada proyecto i = 1, ... N

El número de proyectos puede variar a lo largo del tiempo, pero en general se prevén los siguientes proyectos
* P1 (25%): Probabilidad básica, teoría de la información y álgebra lineal,
* P2 (25%): Estimación, ML y enfoques bayesianos
* P3 (25%): Comprensión de Bias/Variance tradeoff
* P4 (25%): Regresión y clasificación básicas

Bibliografía

Básica:

Complementaria:

Web links

Capacidades previas

Teoría de probabilidad básica, álgebra lineal, cálculo infinitesimal.

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)