Análisis Estadístico de Redes y Sistemas

Créditos
6
Tipos
Obligatoria de especialidad (Redes de Computadores y Sistemas Distribuidos)
Requisitos
Esta asignatura no tiene requisitos , pero tiene capacidades previas
Departamento
AC
El curso presenta técnicas básicasde análisis estadístico de sistemas y redes- En primer lugar revisa y extiende conceptos de probabilidad, teoría de información y algebra lineal. después trata el problema de la estimación, y las técnicas básicas de Machine Learning (aprendizaje automático) para regresión y clasificación. Finalmente introduce técnicas lineales para reducción de dimensionalidad de problemas.

Profesorado

Responsable

Otros

Horas semanales

Teoría
3.4
Problemas
0.6
Laboratorio
0
Aprendizaje dirigido
0
Aprendizaje autónomo
7.1

Competencias

Competencias Técnicas de cada especialidad

Computer networks and distributed systems

  • CEE2.2 - Capacidad de entender los modelos, problemas y algoritmos relacionados con las redes de computadores, así como poder diseñar y evaluar algoritmos, protocolos y sistemas que traten la problemática de la redes de comunicación entre computadores.

    • Competencias Técnicas Genéricas

    Genéricas

  • CG4 - Capacidad para la dirección general y técnica de proyectos de investigación, desarrollo e innovación, en empresas y centros tecnológicos, en el ámbito de la Ingeniería Informática.

    • Competencias Transversales

    Actitud frente al trabajo

  • CTR5 - Tener motivación para la realización profesional y para afrontar nuevos retos, así como una visión amplia de las posibilidades de la carrera profesional en el ámbito de la Ingeniería en Informática. Tener motivación por la calidad y la mejora continua, y actuar con rigor en el desarrollo profesional. Capacidad de adaptación a los cambios organizativos o tecnológicos. Capacidad de trabajar en situaciones de falta de información y/o con restricciones temporales y/o de recursos.

    • 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. Desarrollar la habilidad en el desarrollo de modelos cuantitativos probabilísticos.
      Competencias relacionadas: CB6, CTR5, CEE2.2, CG4,

    Contenidos

    1. repaso de modelos de probabilidad
      Axiomas de probabilidad, combinatoria, variables aleatorias, probabilidad condicionada e independencia, valores esperados, independencia condicional, desigualdades Ley (débil) de los grandes números. Ley del límite central. Propiedades de la distribución gausiana multivariada. Teoría de la información (Entropía, información mútua, divergencia KL, etc).
    2. Estimación. Técnicas básicas de ML para clasificación y regressión
      estimación de máxima verosimilitud y bayesiana. Funciones de decisión, coste, riego, minimización del riesgo empírico. Aproximación y estimación. Compromiso entre el bias y la varianza. Clasificación. Regresión lineal. Regresión logística. K-means. Clustering. Random forest. Introducción a las redes neuronales. FFNN, backpropagation, SGD, CNN, RNN, autoencoders.
    3. Modelos lineales y reducción de dimensionalidad
      Review of basic linear algebra results, spectral theorem for symmetric matrices, positive definite matrices, matrix calculus, trace operator, SVD, matrix norms, Eckart-Young theorem, condition number, dimensionality reduction, PCA, eigenfaces, Sparse representation, Fourier matrices.

    Actividades

    Actividad Acto evaluativo


    Modelos probabilísticos

    Axiomas de probabilidad, combinatoria, variables aleatorias, probabilidad condicionada e independencia, valores esperados (revisión, problemas y material on-line). Inclusión/exclusión, independencia condicional, desigualdades y ejemplos de distribuciones discretas. Ley (débil) de los grandes números. Funciones de distribución acumulativas, funciones de densidad de probabilidad, ejemplos (revisión, material online). Teoría de la información (Entropía, información mútua, etc). Propiedades de la distribución exponencial y gausiana multivariada. Ley del límite central.
    Objetivos: 1
    Contenidos:
    Teoría
    8h
    Problemas
    2h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    Modelos lineales

    Teorema espectral para matrices simétricas, Matrices positivas definidas, formas cuadráticas. SVD. Reducción de dimensión. PCA. Pseudo inversa de Monroe-Penrose. Espacios de dimensión infinita, Continuidad de operadores lineales. Espacios de Hilbert. Teorema de representación de Riesz.
    Objetivos: 1
    Contenidos:
    Teoría
    8h
    Problemas
    2h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    estimación. Técnicas básicas de aprendizaje automático para regresión y clasificación.

    estimación de máxima verosimilitud y bayesiana. Regresión linear. Maximum likelihood and bayesian estimation. Regresión lineal. Bias-variance tradeoff Clasificación.

    Teoría
    26.9h
    Problemas
    4.1h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    test autoavaluación


    Objetivos: 1
    Semana: 8
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    test autoavaluación


    Objetivos: 1
    Semana: 16
    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    0h

    Trabajo 1



    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    19.9h

    Trabajo 2



    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    20h

    Trabajo 3



    Teoría
    0h
    Problemas
    0h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    20h

    Metodología docente

    Algunos materiales estarán disponibles online. Los principales resultados se explicarán en clase. Se harán clases de problemas y de ejemplos de aplicación.

    Método de evaluación

    La evaluación se basa en el desarrollo de 3 proyectos y dos controles (C1, C2), uno a mediados de los curso y otro al final del curso, que se puntuan entre 0 y 10. Cada proyecto será evaluado (0=<nota=<10). La nota final del curso (FM) se calcula como:

    FM = 0.2(C1+C2+P1+P2+P3)

    En este curso los proyectos propuestos serán:
    * P1: Probabilidad básica, teoría de la información y álgebra linial,
    * P2: Métodos básicos de estimación y Machine Learning.
    * P3: Redes Neuronales

    Bibliografía

    Básico

    Capacidades previas

    Teoría de probabilidad básica, álgebra lineal, cálculo infinitesimal.