Este curso introducirá a diferentes técnicas avanzadas dentro del área de aprendizaje automático no supervisado. Los temas incluyen técnicas de reducción de dimensionalidad, algoritmos de clustering para datos estructurados y no estructuradas, patrones frecuentes y aprendizaje no supervisado basado en técnicas de Aprendizaje Profundo (Autoencoders, GANs, self supervised and contrastive learning)
Profesorado
Responsable
Javier Béjar Alonso (
)
Horas semanales
Teoría
3
Problemas
0
Laboratorio
0
Aprendizaje dirigido
0.38
Aprendizaje autónomo
5.7
Competencias
Competencias Técnicas Genéricas
Genéricas
CG1 - Capacidad para proyectar, diseñar e implantar productos, procesos, servicios e instalaciones en todos los ámbitos de la Inteligencia Artificial.
CG3 - Capacidad para la modelización, cálculo, simulación, desarrollo e implantación en centros tecnológicos y de ingeniería de empresa, particularmente en tareas de investigación, desarrollo e innovación en todos los ámbitos relacionados con la Inteligencia Artificial.
Competencias Técnicas de cada especialidad
Académicas
CEA12 - Capacidad de comprender las técnicas avanzadas de Ingeniería del Conocimiento, Aprendizaje Automático y Sistemas de Soporte a la Decisión, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.
CEA13 - Capacidad de comprender las técnicas avanzadas de Modelización, Razonamiento y Resolución de problemas, y saber diseñar, implementar y aplicar estas técnicas en el desarrollo de aplicaciones, servicios o sistemas inteligentes.
Profesionales
CEP1 - Capacidad de resolver las necesidades de analisis de la informacion de las diferentes organizaciones, identificando las fuentes de incertidumbre y variabilidad.
Competencias Transversales
Sostenibilidad y compromiso social
CT2 - Conocer y comprender la complejidad de los fenomenos economicos y sociales tipicos de la sociedad del bienestar; capacidad para relacionar el bienestar con la globalizacion y la sostenibilidad; habilidad para utilizar de forma equilibrada y compatible la tecnica, la tecnologia, la economia y la sostenibilidad.
Uso solvente de los recursos de información
CT4 - Gestionar la adquisicion, la estructuracion, el analisis y la visualizacion de datos e informacion en el ambito de la especialidad y valorar de forma critica los resultados de esta gestion.
Básicas
CB7 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios
Objetivos
Conocer y utilizar tecnicas avanzadas de aprendizaje no supervisado para aplicaciones en todos los dominios de la ingenieria y la ciencia
Competencias relacionadas:
CB7,
CT2,
CT4,
CEA12,
CEA13,
CEP1,
CG1,
CG3,
Contenidos
Minería de datos una perspectiva global
Breve introducción a lo que es Data Mining and Knowledge Discovery, las áreas a las que se relacionan y las diferentes técnicas que intervienen
Preprocesamiento y transformación no supervisada de datos
En este tema se incluyen diferentes algoritmos para la preprocessos de datos no supervisados, como la normalización de datos, la discretización, la detección de valores extremos, la reducción de dimensionalidades y la extracción de características (PCA, ICA, SVD, linear and non lineal multidimensional scalling and non negative matrix factorizationl)
Aprendizaje no supervisado
Este tema incluirá algoritmos clásicos y actuales para el aprendizaje no supervisado a partir del aprendizaje automático y estadísticas, incluyendo algoritmos jerárquicos y pariticionals (K-means, Fuzzy C-means, Gaussian EM, particionado de gráficos, algoritmos basados en densidad, algoritmos basados en cuadrículas, ANN no supervisados, propagación de afinidad, ...)
Unsupervised methodologies in Knowledge Discovery and Data Mining
This topic will include current trends on knowledge discovery for data mining and big data, (scalability, any time clustering, one pass algorithms, approximation algorithms, distributed clustering, ..)
Advanced topics in unsupervised learning
This topic will include and introduction to different advanced topics in unsupervised learning such as consensus clustering, subspace clustering, biclustering and semisupervised clustering
Unsupervised learning for sequential and structured data
This topic will include algorithms for unsupervised learning with sequential data and structured data, such as sequences, strings, time series and data streams, graphs and social networks
Unsupervised Deep Learning: Autoregressive and Flow models
We will see algorithms able to estimate probability distribution models from unsupervised data that can be sampled to generate new data assuming autoregressive dependencies and flow transference models
Unsupervised Deep Learning: Latent Variable models, Autoencoders and Variational Autoencoders
This topic will introduce to latent variable models for learning of probabilistic models of data and latent representations for sampling and generating data for applications in image and text generation
Unsupervised Deep Learning: Implicit models, Generative Adversarial Networks
This topic will introduce to models that represent implicitly probability distribution models using adversarial learning. Different models based on Generative Adversarial Networks will be explained following its evolution since their original formulation. Different applications to image generation will be explained.
Unsupervised Deep Learning: Self-supervised and Contrastive learning
This topic will introduce to models for learning representations to be used for other tasks using self-supervised methodologies and contrastive learning. Different approaches for defining the unsupervised task used to learn a representation will be explained in the context of applications for image and text.
Actividades
ActividadActo evaluativo
Aprendizaje no supervisado
Esta actividad desarrolla el temario de la parte de aprendizaje no supervisado del curso
La evaluación se basará en un cuestionario individual sobre los temas del curso (30%), implementar un algoritmo de aprendizaje no supervisado de un articulo (35%) y una revisión y video presentación de un articulo de aprendizaje profundo no supervisado (35%)