Temas Sobre Optimización y Aprendizaje Automático

Usted está aquí

Inicio » Estudios » Másteres » Máster en Innovación e Investigación en Informática » Plan de estudios » Asignaturas » Temas Sobre Optimización y Aprendizaje Automático
Créditos
6
Tipos
Obligatoria de especialidad (Redes de Computadores y Sistemas Distribuidos)
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
AC
Mail
El objetivo de este curso es brindar al estudiante una formación en las metodologías en el diseño avanzado de mecanismos mediante optimización convexa no lineal, aprendizaje automático y aprendizaje profundo que puedan aplicarse a redes informáticas y sistemas distribuidos.

Profesorado

Responsable

  • Jose Maria Barceló Ordinas ( )

Otros

  • Jorge García Vidal ( )

Horas semanales

Teoría
4
Problemas
0
Laboratorio
0
Aprendizaje dirigido
0
Aprendizaje autónomo
7

Competencias

Competencias Técnicas de cada especialidad

Computer networks and distributed systems

  • CEE2.1 - Capacidad para entender los modelos, problemas y algoritmos relacionados con los sistemas distribuidos, así como poder diseñar y evaluar algoritmos y sistemas que traten la problemática de la distribución y ofrezcan servicios distribuidos
  • 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.
  • CEE2.3 - Capacidad de entender los modelos, problemas y herramientas matemáticas que permiten analizar, diseñar y evaluar redes de computadores y sistemas distribuidos.

Competencias Transversales

Razonamiento

  • CTR6 - Capacidad de razonamiento crítico, lógico y matemático. Capacidad para resolver problemas dentro de su área de estudio. Capacidad de abstracción: capacidad de crear y utilizar modelos que reflejen situaciones reales. Capacidad de diseñar y realizar experimentos sencillos, y analizar e interpretar sus resultados. Capacidad de análisis, síntesis y evaluación.

Objetivos

  1. Capacidad para formular un problema de optimización convexa
    Competencias relacionadas: CEE2.3, CTR6,
  2. Capacidad para resolver problemas de optimización no lineal.
    Competencias relacionadas: CEE2.3, CTR6,
  3. Capacidad de aplicar a un problema real temas relacionados con la optimización
    Competencias relacionadas: CEE2.2, CEE2.3, CEE2.1, CTR6,
  4. Capacidad de entender los algoritmos básicos de aprendizaje de la máquina
    Competencias relacionadas: CEE2.3, CTR6,
  5. Capacidad de aplicar los algoritmos de aprendizaje de la máquina a escenarios reales.
    Competencias relacionadas: CEE2.2, CEE2.3, CEE2.1, CTR6,
  6. Capacidad para comprender las redes neuronales y los algoritmos de aprendizaje profundo
    Competencias relacionadas: CEE2.3, CTR6,
  7. Capacidad para aplicar redes neuronales y algoritmos de aprendizaje profundo a escenarios reales
    Competencias relacionadas: CEE2.2, CEE2.3, CEE2.1, CTR6,

Contenidos

¡Atención! Debido a la situación actual, se ha hecho un apéndice para esta sección, haga clic aquí para leerlo.
  1. Fundamentos de la optimización de la convexidad
    En este tema introduciremos los conceptos del hombre de la optimización no lineal con especial énfasis en la optimización convexa. Específicamente veremos: conjuntos convexos, funciones convexas, problemas de optimización convexa (COP) y dualidad (función dual de Lagrange, condiciones óptimas de KKT), métodos para resolver COP (Métodos de Descenso General, Métodos de Puntos Interiores)
  2. Aplicaciones a los temas de aprendizaje de la máquina
    Ejemplos de cómo se aplica la optimización en el campo del aprendizaje automático en redes informáticas y redes distribuidas. En concreto, se explicarán métodos supervisados como la regresión lineal múltiple con regularización (ridge regression y lasso), los métodos de vecinos más cercanos, la regresión kernel (RKHS) y los procesos gaussianos, las máquinas de vectores de soporte, el bootstrapping, el bosque aleatorio, y métodos no supervisados como los métodos de clustering con k-means, el clustering jerárquico, la mezcla de gaussianos y el algoritmo de maximización de expectativas.
  3. Redes neuronales y aprendizaje profundo
    En este capítulo se estudian los conceptos básicos relacionados con las redes neuronales y el aprendizaje profundo aplicados a las redes informáticas y a los sistemas distribuidos. En concreto, introducción a las redes neuronales, algoritmo de retropropagación, SGD, técnicas de regularización y revisión de las arquitecturas de NN más importantes.

Actividades

Actividad Acto evaluativo


Conceptos básicos de optimización convexa


Objetivos: 1 2 3
Contenidos:
Teoría
20h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Aplicaciones a temas de aprendizaje automático


Objetivos: 4 3
Contenidos:
Teoría
18h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Redes neuronales y aprendizaje profundo


Objetivos: 3 6
Contenidos:
Teoría
12h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Proyecto de programación para la optimización de un protocolo de control de acceso al medio (MAC) en una red de sensores inalámbrica,


Objetivos: 3
Contenidos:
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
25h

Proyecto de calibración de sensores usando técnicas de aprendizaje máquina (MLR, KNN, SVR, RF, GP),


Objetivos: 5
Contenidos:
Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
40h

Proyecto en redes neuronales y aprendizaje profundo


Objetivos: 7
Contenidos:
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
25h

Proyecto de programación de ejercicios de optimización no-lineal


  • Aprendizaje autónomo: Desarrollo de un proyecto en el que el alumno programe unos ejercicios de optimización no lineal y redacte un informe con los resultados obtenidos.
Objetivos: 1 2
Contenidos:
Teoría
1h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
10h

Entrega del proyecto de programación de ejercicios de optimización no-lineal


Objetivos: 1 2
Semana: 5
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Entrega del proyecto de programación para la optimización de un protocolo de control de acceso al medio (MAC) en una red de sensores inalámbrica,


Objetivos: 2 3
Semana: 9
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Entrega del proyecto de calibración de sensores usando técnicas de aprendizaje máquina (MLR, KNN, SVR, RF, GP),


Objetivos: 5 4 3
Semana: 16
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Entrega del proyecto usando una red neuronal


Objetivos: 3 6 7
Semana: 18
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Metodología docente

¡Atención! Debido a la situación actual, se ha hecho un apéndice para esta sección, haga clic aquí para leerlo.
Durante las sesiones iniciales de cada tema, los principales resultados se explicarán en la pizarra. El estudiante resolverá algunos ejercicios para probar sus habilidades en el tema. Finalmente, los estudiantes desarrollarán proyecto para los temas estudiados.

Método de evaluación

¡Atención! Debido a la situación actual, se ha hecho un apéndice para esta sección, haga clic aquí para leerlo.
La evaluación se basa en el desarrollo de proyectos. Cada una de las actividades será evaluada (0=
FM = Suma_i (Wi*Mi)

Dónde:

Wi = es el peso de cada proyecto con i = 1, ... N
Mi = Nota de cada proyecto con i = 1, ... N

el número de proyectos pueden variar con el tiempo, pero en general están previstos los siguientes proyectos:
* P1 (10%): Programación de ejercicios de optimización no lineal,
* P2 (25%): Proyecto de programación para la optimización de un protocolo de control de acceso al medio (MAC) en una red de sensores inalámbrica,
* P3 (40%): Proyecto de calibración de sensores usando técnicas de aprendizaje máquina (MLR, KNN, SVR, RF, GP),
* P4 (25%): Proyecto usando una red neuronal

Bibliografía

Básica:

Web links

Capacidades previas

Recomendado haber cursado previamente el curso "nálisis Estadístico de Redes y Sistemas (SANS-MIRI)"

Adenda

Contenidos

No hay cambios respecto a la "guía docente". No changes regarding "guia docent".

Metodología docente

Presencial. En caso de confinamiento, sin no se pueden realizar las clases presencialmente, estas se realizaría on-line con google meet. Face-to-face. In case of confinement, if the classes cannot be held in face-to-face, they will be held on-line with google meet.

Método de evaluación

No hay cambios respecto a la "guía docente". No changes regarding "guia docent".

Plan de contingencia

Si pasamos a no presencial, las clases se realizarán on-line usando google meet. La evaluación se realiza con proyectos que son presentados por los estudiantes presencialmente, con lo que no se ve afectada al poder hacerse las presentaciones con google meet. If we move to non face-to-face, classes will be held on-line using google meet. The evaluation is done with projects that are presented by the students face-to-face, which is not affected by the fact that the presentations can be done with google meet.