Aprendizaje No Supervisado y por Refuerzo

• Horas semanales
• Objetivos
• Contenidos
• Actividades
• Metodología docente
• Método de evaluación
• Bibliografía
• Web links
• Capacidades previas

Profesorado

Responsable

• Javier Béjar Alonso ( )

Horas semanales

Objetivos

1. 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, CEP1, CG3, CEA12, CEA13, CG1,

Contenidos

1. 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
2. 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)
3. 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, ...)
4. 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, ..)
5. 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
6. 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
7. 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
8. 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
9. 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.
10. Aprendizaje profundo no supervisado: Modelos de difusión
    Este tema introduce modelos generativos con variables latentes que hacen coincidir una distribución gausiana con la distribución de los datos usando un proceso discreto o continuo en el tiempo que simula la física de un proceso de difusión. Veremos la formulació de estos models como un proceso estocástico o determinista y su conexión con ecuacions diferenciales
11. 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

Actividad Acto evaluativo

Metodología docente

Método de evaluación

Bibliografía

Básica:

• Data clustering : algorithms and applications - Aggarwal, C. C., & Reddy, C. K, CRC Press, 2014. ISBN: 9781466558212
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004187309706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Data mining and machine learning: fundamental concepts and algorithms - Zaki, M.J.; Meira, W, Cambridge University Press, 2020. ISBN: 9781108473989
  https://discovery.upc.edu/discovery/fulldisplay?docid=alma991004209799706711&context=L&vid=34CSUC_UPC:VU1&lang=ca
• Deep learning - Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y, MIT press, [2016]. ISBN: 9780262035613
  https://www.deeplearningbook.org/

Web links

• Material for the course https://sites.google.com/upc.edu/mai-url

Capacidades previas