Aprenentatge Automàtic II

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 aprofondeix en les tècniques modernes d'aprenentatge a partir de dades, inclouen les xarxes neuronals artificials profundes (deep) i les mètodes basats en funcions de kernel. Com objectiu paral·lel està la familiarització amb TensorFlow (Keras) i LibSVM, entorns de computació basats en Python i C++.

Temari

Clustering avançat: Spectral clustering i DBSCAN
Mètodes kernel: kPCA, kFDA, Relevance Vector Machines
Funcions de kernel no-estàndard: anàlisi de texte, grafs, dades biomèdiques (omics)
Mètodes deep: xarxes neuronals feed-forward deep: MLP (multilayer perceptron) de moltes capes ocultes, CNN (convolutional neural networks) i els seus algoritmes d'entrenament; xarxes recurrents LSTM deep, deep Reinforcement Learning, deep Generative Models Deep kernel learning

Més informació a la guia de l'assignatura