Introducción al Aprendizaje Automático

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

Profesorado

Responsable

• Dario García Gasulla ( )

Otros

• Jordi Luque Serrano ( )

Horas semanales

Competencias

Competencias Transversales

Transversales

• CT2 [Avaluable] - Sostenibilidad y Compromiso Social. Conocer y comprender la complejidad de los fenómenos económicos y sociales típicos de la sociedad del bienestar; tener capacidad para relacionar el bienestar con la globalización y la sostenibilidad; lograr habilidades para utilizar de forma equilibrada y compatible la técnica, la tecnología, la economía y la sostenibilidad.
• CT5 [Avaluable] - Uso solvente de los recursos de información. Gestionar la adquisición, la estructuración, el análisis y la visualización de datos e información en el ámbito de especialidad y valorar de forma crítica los resultados de dicha gestión.
• CT6 - Aprendizaje autónomo. Detectar deficiencias en el propio conocimiento y superarlas mediante la reflexión crítica y la elección de la mejor actuación para ampliar dicho conocimiento.
• CT8 [Avaluable] - Perspectiva de género. Conocer y comprender, desde el propio ámbito de la titulación, las desigualdades por razón de sexo y género en la sociedad; integrar las diferentes necesidades y preferencias por razón de sexo y de género en el diseño de soluciones y resolución de problemas.

Básicas

• CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.

Competencias Técnicas

Específicas

• CE03 - Identificar i aplicar els procediments algorítmics bàsics de les tecnologies informàtiques per a dissenyar solucions a problemes, analitzant la idoneïtat i complexitat dels algorismes proposats.
• CE04 - Diseñar y utilizar de forma eficiente los tipos y estructuras de datos más adecuados a la resolución de un problema.
• CE09 - Concebir, diseñar e integrar sistemas de análisis inteligente de datos con aplicación en entornos de producción y de servicios.
• CE15 - Adquirir, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación,percepción y actuación en ambientes o entornos inteligentes.
• CE20 - Elegir y emplear técnicas de modelización estadística y análisis de datos, evaluando la calidad de los modelos, validándolos e interpretándolos.

Competencias Técnicas Genéricas

Genéricas

• CG1 - Concebir, redactar, organizar, planificar y desarrollar proyectos en el ámbito de la inteligencia artificial.
• CG2 - Utilizar los conocimientos fundamentales y metodologías de trabajo sólidas adquiridos durante los estudios para adaptarse a los nuevos escenarios tecnológicos del futuro.
• CG3 - Definir, evaluar y seleccionar plataformas hardware y software para el desarrollo y la ejecución de sistemas, servicios y aplicaciones informáticas en el ámbito de la inteligencia artificial.
• CG4 - Razonar, analizando la realidad y diseñando algoritmos y formulaciones que la modelen. Identificar problemas y construir soluciones algorítmicas o matemáticas válidas, eventualmente nuevas, integrando el conocimiento multidisciplinar necesario, valorando distintas alternativas con espíritu crítico, justificando las decisiones tomadas, interpretando y sintetizando los resultados en el contexto del dominio de aplicación y estableciendo generalizaciones metodológicas a partir de aplicaciones concretas.
• CG6 - Identificar oportunidades para aplicaciones innovadoras de la inteligencia artificial y la robótica en entornos tecnológicos en continua evolución.
• CG7 - Interpretar y aplicar la legislación vigente, así como especificaciones, reglamentos y normas en el ámbito de la inteligencia artificial.
• CG8 - Observar un ejercicio ético de la profesión en todas sus facetas, aplicando criterios éticos en el diseño de sistemas,algoritmos, experimentos, utilización de datos, de acuerdo con los sistemas éticos recomendados por los organismos nacionales e internacionales, con especial énfasis en seguridad, robustez, privacidad, transparencia, trazabilidad, prevención de sesgos (de raza, género, religión, territorio, etc.) y respeto a los derechos humanos.
• CG9 - Afrontar nuevos retos con una visión amplia de las posibilidades de la carrera profesional en el ámbito de la Inteligencia Artificial. Desarrollar la actividad aplicando criterios de calidad y mejora continua, y actuar con rigor en el desarrollo profesional. Adaptarse a los cambios organizativos o tecnológicos. Trabajar en situaciones de carencia de información y/o con restricciones temporales y/o de recursos.

Objetivos

1. Aprender los principales métodos de aprendizaje automático, y cómo usarlos de forma adecuada.
   Competencias relacionadas: CG1, CG2, CG3, CG4, CG8, CT2, CT5, CB3, CE03, CE04, CE09, CE15, CE20,
2. Interactuar de manera crítica y prudente con los datos y modelos de aprendizaje.
   Competencias relacionadas: CG1, CG4, CG7, CG8, CG9, CT6, CT8, CE04,
   Subcompetences:
   • Mantener una visión crítica y escéptica del comportamiento de los modelos
   • Identificar sesgos en los datos
3. Reconocer de manera ágil las características de un problema de de la óptica del aprendizaje automático
   Competencias relacionadas: CG1, CG2, CG4, CG6, CG9, CT5, CE03, CE04, CE09, CE15,
   Subcompetences:
   • Proponer los tipos de aprendizaje más adecuados para un problema
   • Identificar potenciales análisis de relevancia sobre un conjunto de datos

Contenidos

1. Intro al aprendizaje automatico
   Tipos básicos de aprendizaje. Para que se pueden usar cada uno, propósitos y limitaciones principales. Incluye un conjunto de advertencias y comprobaciones a tener presentes al trabajar en aprendizaje automático.
2. Diseño de experimentos en aprendizaje automático
   Usando datos para aprender. Como diseñar, ejecutar y evaluar experimentos realizados mediante técnicas de aprendizaje automático.
3. Preprocesado de datos
   Distribuciones, normalización y standardización de datos. Como y poirque preparar los datos a ser processador por algorismos de aprendizaje automático.
4. Regressión aplicada
   Casos prácticos de regressión
5. Reducción de la dimensionalidad
   Revisión de los principales métodos para reducir la dimensionalidad de los datos: PCA, UMAP, T-SNE, ...
6. Classificación: Conceptos previos y revisión de métodos básicos
   Se estudian las medidas de distancia y se relacionan con el concepto de verosimilitud, que permite después construir y comparar una gran cantidad de métodos. Revisión del K-Nearest Neighbour como marco sencillo y extensión a otros métodos.
7. Métodos de clasificación basados en otros criterios
   Support Vector Machines, Redes Neuronales (arquitecturas clásicas) y Árboles de Decisión.
8. Multiclasificación
   Se estudian los principales métodos de combinación de métodos de aprendizaje "débiles" para obtener modelos más robustos: Boosting, Bagging, GAMs, EBMs, Ensembles
9. Explicabilidad
   Relevancia, uso y métodos de explicabilidad. Se estudian varios métodos para poder interpretar y explicar el funcionamiento y resultado de los algoritmos de aprendizaje automático, una necesidad básica para la implantación y aceptación de estos métodos. Se plantean las bases por la Explainable AI (Inteligencia Artificial Explicable).
10. Clustering
    Se revisan las bases de los métodos clásicos de obtención de grupos de datos significativos en ausencia de información de clase y/o estructuras previas. K-means, Hierarchical Clustering, Spectral Clustering, DBSCAN.
11. Algoritmos genéticos
    Introducción als algoritmes genétics, como primera visión de métodos de aprendizaje bioinspirados. Se revisan las bases conceptuales y matemáticas de los principales operadores de mutación, crossover y sus variantes representacionales.
12. Aprendizaje automatico en grafos
    La estructura de grafo está muy extendida en diversos entornos y ha dado lugar a toda una disciplina, la Ciencia de las Redes, en la que se trabaja sobre propiedades estructurales de los grafos para derivar propiedades y conclusiones sobre el fenómeno o ámbito que se estudia. Este tipo de aprendizaje es especialmente importante en aplicaciones de internet, búsqueda o aplicaciones de recomendación o detección de conocimiento. Detección de comunidades, predicción de aristas, etc.

Actividades

Actividad Acto evaluativo

Metodología docente

Método de evaluación

Bibliografía

Básica:

• Pattern recognition and machine learning - Bishop, Christopher M, Springer, cop. 2006. ISBN: 0387310738
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991003157379706711&context=L&vid=34CSUC_UPC:VU1&lang=ca

Capacidades previas