Grau en Ciència i Enginyeria de Dades

Comparteix:

Aprenentatge Automàtic I

L'objectiu de l'aprenentatge automàtic ("machine learning", en anglès) és el desenvolupament de teories, tècniques i algorismes que permetin a un sistema modificar el seu comportament a través de la inferència inductiva. Aquesta inferència està basada en l'observació de dades que representen informació incompleta sobre un procés o fenomen subjecte a incertesa estadística. L'aprenentatge automàtic és un punt de trobada de diferents disciplines: l'estadística multivariant, la intel·ligència artificial, l'algorísmia i l'optimització matemàtica, entre d'altres. L'assignatura es divideix en tres parts conceptuals, corresponents a tres tipus de problemes fonamentals: l'aprenentatge supervisat (regressió i classificació), no supervisat (clustering) i semi-supervisat (per reforç i transductiu). Les tècniques de modelat que s'estudien inclouen les xarxes neuronals artificials i les màquines de vectors suport. Com objectiu paral·lel està la familiarització amb l'R, un potent entorn de computació basat en programari lliure, així com aprendre a dissenyar solucions pràctiques en problemes difícils de resoldre de manera directa.

Temari
  • Definició d'un sistema d'aprenentage automàtc.
  • Tipus de tasques pròpies de l'aprenentatge automàtc.
  • Nocions d'aprenentatge estadístic. Dimensió de Vapnik-Chervonenkis. Structural Risk Minimization
  • Mètodes d'agrupament (clustering) probabilístics: k-means i E-M
  • Remostreig estadístic.
  • Funcions d'error.
  • Selecció de variables: mètodes de filtrat multivarian.
  • Mètodes lineals de regressió.
  • Regularització i la seva aplicació a regresió.
  • Classificadors generatius i discriminatius: classificadors Bayesians, regressió logística.
  • Mètodes de conjunt (ensemble) I: bagging. Random Forest.
  • Mètodes de conjunt (ensemble) II: boosting. Adaboost i variants.
  • Xarxes neuronals feed-forward shallow: MLP (multilayer perceptron) d'una capa oculta i RBF (radial basis function) i els seus algoritmes d'entrenament.
  • Xarxes neuronals recurrents shallow: xarxes de Hopfield i els seus algoritmes d'entrenament.
  • Mètodes basats en nuclis: funcions de nucli bàsiques i Support Vector Machine.
  • Introducció a l'aprenentatge per reforç (Reinforcement learning).

 

Més informació a la guia de l'assignatura