Introducción al Aprendizaje Automático

Usted está aquí

Créditos
5
Tipos
Obligatoria
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
CS;UB
Este curso es una introducción al Aprendizaje Automático. Proporciona una breve introducción a conceptos, técnicas y algoritmos de aprendizaje automático. Se empieza por temas de clasificación y regresión lineal y se finaliza con temas de máquinas de soporte vectorial. El curso está dividido en tres grandes bloques: aprendizaje supervisado, aprendizaje no supervisado y teoria del aprendizaje. El curso proporciona muchos casos de estudio y aplicaciones reales para que el alumno perciba la aplicabilidad de las técnicas de visión por ordenador, sistemas médicos o análisis de señales.

Profesores

Responsable

  • Maria Salamó ( )

Otros

  • Oriol Pujol ( )

Horas semanales

Teoría
1.5
Problemas
0
Laboratorio
1
Aprendizaje dirigido
0
Aprendizaje autónomo
2

Competencias

Competencias Técnicas Genéricas

Genéricas

  • CG2 - Capacidad para dirigir, planificar y supervisar equipos multidisciplinares.
  • CG4 - Capacidad para la dirección general, dirección técnica y dirección de proyectos de investigación, desarrollo e innovación, en empresas y centros tecnológicos, en el ámbito de la Inteligencia Artificial.

Competencias Técnicas de cada especialidad

Académicas

  • CEA3 - Capacidad de comprender los principios básicos de funcionamiento de las técnicas principales de Aprendizaje Automático, y saber utilizarlas en el entorno de un sistema o servicio inteligente.

Profesionales

  • CEP2 - Capacidad de resolver los problemas de toma de decisiones de las diferentes organizaciones, integrando herramientas inteligentes.
  • CEP7 - Capacidad de respetar la normativa legal y la deontología en el ejercicio profesional.

Competencias Transversales

Trabajo en equipo

  • CT3 - Ser capaz de trabajar como miembro de un equipo interdisciplinar ya sea como un miembro mas, o realizando tareas de direccion con la finalidad de contribuir a desarrollar proyectos con pragmatismo y sentido de la responsabilidad, asumiendo compromisos teniendo en cuenta los recursos disponibles.

Razonamiento

  • CT6 - Capacidad de evaluar y analizar de manera razonada y critica sobre situaciones, proyectos, propuestas, informes y estudios de caracter cientifico-tecnico. Capacidad de argumentar las razones que explican o justifican tales situaciones, propuestas, etc.

Analisis y sintesis

  • CT7 - Capacidad de analisis y resolucion de problemas tecnicos complejos.

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. Learn and understand the most common machine learning techniques for unsupervised and supervised tasks.
    Competencias relacionadas: CEA3, CT6, CB6,
  2. Learn how to solve a problem using machine learning techniques
    Competencias relacionadas: CEA3, CG2, CG4, CEP2, CEP7, CT3, CT6, CT7,

Contenidos

  1. 1. Introducción al aprendizaje automático
    - ¿Qué es el aprendizaje automático?
    - Definición de aprendizaje automático
    - Elementos del aprendizaje automático
    - Paradigmas del aprendizaje automático
    - Aplicaciones de aprendizaje automático
    - Conceptos básicos de la teoria del aprendizaje automático
  2. Aprendizaje no supervisado
    - Introducción al aprendizaje no supervisado
    - Clusterización
    - Clasificación de los algoritmos de clusterización. K-Means i EM
    - Análisis de factores: PCA y ICA
    - Mapas auto-organizativos y análisis multi-dimensonal
    - Sistemas de recomendación
  3. Aprendizaje supervisado
    - Introducción y perspectivas
    - Aprendizaje perezoso
    - Introducción a la selección de atributos
    - Selección de modelos
    - Decisión lineal
    - Decisión no-lineal : Métodos de Kernel
    - Decisión no-lineal: Ensemble Learning
    - Aprendizaje bayesiano

Actividades

Actividad Acto evaluativo


Ejercicio de aprendizaje no supervisado

Ejercicio de aprendizaje no supervisado relacionado con las técnicas estudias en este curso
Objetivos: 2
Semana: 4
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h

Ejercicio de aprendizaje supervisado basado en aprendizaje perezoso

Implementar un ejercicio de aprendizaje perezoso para un problema particular
Objetivos: 2
Semana: 7
Tipo: entrega
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h

Ejercicio de aprendizaje supervisado basado en Kernel Learning

En este ejercicio se implementa y analiza Kernel Learning
Objetivos: 2
Semana: 10
Tipo: examen final
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h

Ejercicio de aprendizaje supervisado basado en aprendizaje no lineal

En este ejercicio se implementan y analizan algoritmos de ensemble learning
Objetivos: 2
Semana: 13
Tipo: examen final
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
15h

Lectura y análisis de artículos de investigación

Leer y analizar diferentes artículos de investigación durante el curso
Objetivos: 1
Semana: 15 (Fuera de horario lectivo)
Tipo: examen final
Teoría
0h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
10h

Introducción al aprendizaje automático

Introducción al aprendizaje automático

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

Análisis de métodos de clustering

Análisis de los métodos de clustering más conocidos y usados de aprendizaje automático

Teoría
3h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
1h

Introducción al factor analysis

Análisis de factores: estudio de las técnicas más conocidas

Teoría
4h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Visualizacion

Estudio de los mapas auto-organizativos y las técnicas de análisis multi-dimensional

Teoría
3h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Introducción al aprendizaje supervisado

Introducción al aprendizaje supervisado

Teoría
3h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Introducción al aprendizaje perezoso

Estudio de diferentes técnicas de aprendizaje perezoso

Teoría
2h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Introducció a la selección de atributos

Estudio de diferentes técnicas de selección de atributos usadas en aprendizaje automático

Teoría
2h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
1h

Selección de modelos

Selección de modelos y taxonomia

Teoría
2h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Decision lineal

Decision lineal: Algoritmos

Teoría
4h
Problemas
0h
Laboratorio
1h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Kernel Learning

Kernel Learning

Teoría
3h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Ensemble Learning

Ensemble Learning

Teoría
3h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Sistemas de recomendación

Sistemas de recomendación. Objetivos. Taxonomia. Elementos del proceso de recomendación. Algoritmos básicos.

Teoría
3h
Problemas
0h
Laboratorio
2h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Metodología docente

La clase se divide en dos partes:

-Teoria (2 horas) en la que se introducen los conceptos teóricos del curso
- Laboratori (1 hora) que incluyen: ejercicios prácticos y clases participativas

Método de evaluación

La evaluación está dividida en dos partes:

Exam: examen de teórico al final del semestre
Work: Trabajos a lo largo del semestre (5 trabajo)

Nota_Final = a x Exam + b x Work
Cada curso a i b se establecerán dentro de los siguientes márgenes: 0,35 <= a <= 0,5 and 0,3 <= b <= 0,6

Work = c x W1 + d x W2 + e x W3 + f x W4

Cada curso c, d, e y f se establecerán dentro de los siguientes márgenes: 0,2 <= {c,e} <= 0,4 and 0,1 <= {d, f} <= 0,2

Bibliografía

Básica:

Capacidades previas

Es necesario que el alumno tenga conocimientos en los siguientes lenguajes de programación: Python y Java