Informació del Pla Docent

Presentació

Es tracta d’un curs d’iniciació a l’aprenentatge automàtic, que cobreix els principis fonamentals de l’aprenentatge automàtic, inclòs l’aprenentatge supervisat i no supervisat, i l'enfoc Bayesià. L’objectiu del curs no és només aprendre a aplicar algoritmes d’aprenentatge automàtic comuns, sinó proporcionar als estudiants els coneixements suficients per dur a terme investigacions en aprenentatge automàtic o en un camp relacionat. Per aquest motiu, el curs descriu les formulacions matemàtiques bàsiques que fonamenten l’aprenentatge automàtic.

Competències associades

Competències bàsiques:

• Que els alumnes tinguin i comprenguin coneixements que proporcionin una base o una oportunitat per ser originals en el desenvolupament i/o l'aplicació d’idees, sovint en un context de recerca.
• Que els alumnes siguin capaços d’integrar coneixements i afrontar la complexitat de formular judicis a partir d’informacions que, sent incompletes o limitades, incloguin reflexions sobre les responsabilitats ètiques i socials vinculades a l’aplicació dels seus coneixements i judicis.
• Que els estudiants posseeixin les habilitats d’aprenentatge que els permetin continuar estudiant d’una manera autodirigida o autònoma.

Competències transversals:

• Aplicar amb flexibilitat i creativitat els coneixements adquirits i adaptar-los a nous contextos i situacions.

Competències específiques:

• Resoldre problemes matemàtics relacionats amb l’aprenentatge automàtic i aplicar els coneixements a diferents formes d’aprenentatge (supervisat, no supervisat, enfocament Bayesià).
• Capacitat per comunicar-se eficaçment utilitzant el vocabulari tècnic del camp en anglès.
• Utilitzar tècniques de càlcul i àlgebra lineal aplicades a l'aprenentatge automàtic mitjançant paquets de software existents.
• Aplicar l'aprenentatge automàtic a problemes realistes per aprendre els models adequats.
• Identificar problemes d'aprenentatge automàtic i seleccionar l'algoritme adequat per resoldre'ls.

Resultats de l'aprenentatge

• Comprendre els principis matemàtics que constitueixen la base de l’aprenentatge automàtic.
• Resoldre exercicis matemàtics bàsics relacionats amb la teoria de l’aprenentatge automàtic.
• Reconèixer el tipus de problema d’aprenentatge i seleccionar els algoritmes adequats.
• Implementar algoritmes d’aprenentatge automàtic en un llenguatge de programació comú i provar-los en problemes d’aprenentatge reals.
• Avaluar i interpretar el resultat de l'aprenentatge sobre un problema determinat i comparar el resultat de diferents algoritmes.
• Seleccionar els valors adequats dels hiperparàmetres mitjançant la validació.

Prerequisits

El curs pressuposa els coneixements bàsics d’àlgebra lineal, càlcul i teoria de la probabilitat. S'espera que l'alumne hagi realitzat els cursos següents (o similars):

• Àlgebra lineal
• Càlcul
• Teoria de la probabilitat / estadística

Continguts

Sessió 1: Introducció a l'aprenentatge automàtic
Sessió 2: Models lineals
Sessió 3: El compromís de la variació i biaix (sessió pràctica núm. 1)
Sessió 4: Optimització i descens de gradient
Sessió 5: Algoritmes comuns per a l'aprenentatge supervisat (sessió pràctica núm. 2)
Sessió 6: Aprenentatge no supervisat
Sessió 7: Aprenentatge profund i aplicacions I (sessió pràctica núm. 3)
Sessió 8: Aprenentatge profund i aplicacions II (sessió pràctica núm. 4)
Sessió 9: Aprenentatge i inferència Bayesiana
Sessió 10: Introducció als models gràfics probabilístics

Metodologia docent

En cada sessió, s’introdueixen i discuteixen diversos conceptes teòrics. A continuació, es dona als alumnes l'oportunitat de resoldre exercicis relacionats amb aquests conceptes, exercicis que s'han de realitzar fora de classe i lliurar posteriorment. També hi haurà sessions pràctiques en què es presentaran als alumnes problemes realistes d’aprenentatge automàtic per als quals hauran d’implementar i provar solucions.

Avaluació

L’avaluació consistirà en un conjunt de tasques i exercicis de programació, i un examen final. La nota del curs es calcularà de la manera següent:

Nota final = 0.2 * Exercicis + 0.4 * Laboratoris + 0.4 * Examen,

en què Exercicis i Laboratoris són les mitjanes dels exercicis de programació i les pràctiques, respectivament, i Examen és la nota de l'examen final.

Per aprovar el curs, els estudiants han de lliurar tots els exercicis i totes les pràctiques de laboratori i cal obtenir una nota de 5 en les tres parts.

Bibliografia i recursos d'informació

• M. Hardt and B. Recht: Patterns, Predictions, and Actions. A story about machine learning.
• S. Shalev-Shwartz and S. Ben-David: Understanding Machine Learning: From Theory to Algorithms.
• C. Bishop: Pattern Recognition and Machine Learning.
• D. MacKay: Information Theory, Inference, and Learning Algorithms.

Información del Plan Docente

Presentación

Este es un curso de introducción al aprendizaje automático, que cubre los principios fundamentales del aprendizaje automático, incluido el aprendizaje supervisado y no supervisado y la inferencia Bayesiana. El objetivo del curso no es solo aprender a aplicar algoritmos comunes de aprendizaje automático, sino proporcionar a los estudiantes el conocimiento suficiente para realizar investigaciones en aprendizaje automático o un campo relacionado. Por esta razón, el curso describe las formulaciones matemáticas básicas que subyacen al aprendizaje automático.

Competencias asociadas

Competencias básicas:

• Que los alumnos tengan y comprendan conocimientos que les proporcionen una base o una oportunidad de ser originales en el desarrollo y/o la aplicación de ideas, a menudo en un contexto de investigación.
• Que los alumnos sean capaces de integrar conocimientos y afrontar la complejidad de formular juicios a partir de informaciones que, siendo incompletas o limitadas, incluyan reflexiones sobre las responsabilidades éticas y sociales vinculadas a la aplicación de sus conocimientos y juicios.
• Que los estudiantes posean las habilidades de aprendizaje que les permitan seguir estudiando de una manera autodirigida o autónoma.

Competencias transversales:

• Aplicar con flexibilidad y creatividad los conocimientos adquiridos y adaptarlos a nuevos contextos y situaciones.

Competencias específicas:

• Resolver problemas matemáticos relacionados con el aprendizaje automático y aplicar los conocimientos a diferentes formas de aprendizaje (supervisado, no supervisado, y enfoque Bayesiano).
• Capacidad para comunicarse eficazmente utilizando el vocabulario técnico del campo en inglés.
• Utilizar técnicas de cálculo y álgebra lineal aplicadas al aprendizaje automático mediante paquetes de software existentes.
• Aplicar el aprendizaje automático a problemas reales para aprender los modelos adecuados.
• Identificar problemas de aprendizaje automático y seleccionar el algoritmo adecuado para resolverlos.

Resultados del aprendizaje

• Comprender los principios matemáticos que constituyen la base del aprendizaje automático.
• Resolver ejercicios matemáticos básicos relacionados con la teoría del aprendizaje automático.
• Reconocer el tipo de problema de aprendizaje y seleccionar los algoritmos adecuados.
• Implementar algoritmos de aprendizaje automático en un lenguaje de programación común y probarlos en problemas de aprendizaje reales.
• Evaluar e interpretar el resultado del aprendizaje sobre un problema determinado y comparar el resultado de diferentes algoritmos.
• Seleccionar los valores adecuados de los hiperparámetros mediante la validación.

Prerrequisitos

El curso presupone los conocimientos básicos de álgebra lineal, cálculo y teoría de la probabilidad. Se espera que el alumno haya realizado los cursos siguientes (o similares):
• Álgebra lineal
• Cálculo
• Teoría de la probabilidad / estadística

Contenidos

Sesión 1: Introducción al aprendizaje automático
Sesión 2: Modelos lineales
Sesión 3: La compensación de sesgo-varianza (Sesión práctica # 1)
Sesión 4: Optimización y descenso de gradientes
Sesión 5: Algoritmos comunes para el aprendizaje supervisado (Sesión práctica # 2)
Sesión 6: Aprendizaje no supervisado
Sesión 7: Aprendizaje profundo y aplicaciones I (Sesión práctica # 3)
Sesión 8: Aprendizaje profundo y aplicaciones II (Sesión práctica # 4)
Sesión 9: Aprendizaje e inferencia Bayesianos
Sesión 10: Introducción a los modelos gráficos probabilísticos

Metodología docente

En cada sesión, se introducen y se discuten varios conceptos teóricos. A continuación, se da a los alumnos la oportunidad de resolver ejercicios relacionados con estos conceptos, ejercicios que tienen que realizarse fuera de clase y entregar posteriormente. También habrá sesiones prácticas en que se presentarán a los alumnos problemas reales de aprendizaje automático para los que tendrán que implementar y probar soluciones.

Evaluación

La evaluación consistirá en un conjunto de tareas y ejercicios de programación, y un examen final. La nota del curso se calculará de la siguiente manera:

Nota final = 0.2 * Ejercicios + 0.4 * Laboratorios + 0.4 * Examen,

en que Ejercicios y Laboratorios son las medias de los ejercicios de programación y las prácticas, respectivamente, y Examen es la nota del examen final.

Para aprobar el curso, los estudiantes tienen que entregar todos los ejercicios y todas las prácticas de laboratorio y hay que obtener una nota de 5 en las tres partes.

Bibliografía y recursos de información

• M. Hardt and B. Recht: Patterns, Predictions, and Actions. A story about machine learning
• S. Shalev-Shwartz and S. Ben-David: Understanding Machine Learning: From Theory to Algorithms.
• C. Bishop: Pattern Recognition and Machine Learning.
• D. MacKay: Information Theory, Inference, and Learning Algorithms.