Curs Acadèmic:
2021/22
8025 - Màster Universitari en Sistemes Intel·ligents Interactius
31645 - Aprenentatge Automàtic
Informació del Pla Docent
Curs acadèmic:
2021/22
Centre acadèmic:
802 - Centre Màsters del Departament d'Enginyeria
Estudi:
8025 - Màster Universitari en Sistemes Intel·ligents Interactius
Assignatura:
31645 - Aprenentatge Automàtic
Àmbit:
---
Crèdits:
5.0
Curs:
1
Idiomes de docència:
Professorat:
Per Anders Jonsson , Vicente Gomez Cerda
Periode d'Impartició:
Primer trimestre
Horari:
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.