Introducción al Aprendizaje Automático

Profesorado

Responsable

• Sergio Álvarez Napagao (salvarez@cs.upc.edu)

Otros

• Jordi Luque Serrano (jordi.luque.serrano@upc.edu)
• Manel Gil Sorribes (manel.gil.sorribes@upc.edu)

Horas semanales

Competencias

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
   • Identificar potenciales análisis de relevancia sobre un conjunto de datos
   • Proponer los tipos de aprendizaje más adecuados para un problema

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

Básico

• 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