240AR022 - Reconocimiento de Formas y Aprendizaje Automático

Transcripción

1 Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona ESAII - Departamento de Ingeniería de Sistemas, Automática e Informática Industrial MÁSTER UNIVERSITARIO EN AUTOMÁTICA Y ROBÓTICA (Plan 2012). (Unidad docente Obligatoria) MÁSTER UNIVERSITARIO EN INGENIERÍA INDUSTRIAL (Plan 2014). (Unidad docente Optativa) 6 Idiomas docencia: Inglés Profesorado Responsable: Otros: ANDREU CATALA MALLOFRE CECILIO ANGULO RAUL BENITEZ Competencias de la titulación a las cuales contribuye la asignatura Específicas: 4. El/la estudiante será capaz de modelar, formular y resolver problemas de control, teniendo en cuenta su incertidumbre, mediante controladores basados en lógica borrosa. 5. El/la estudiante será capaz de seleccionar y programar métodos de reconocimiento de patrones y aprendizaje en función del tipo de problema, tras distinguir si es que la situación así lo requiere Genéricas: 1. Capacidad de realizar investigación, desarrollo e innovación en el ámbito de la ingeniería de sistemas, de control y la robótica, así como de dirigir el desarrollo de soluciones de ingeniería en entornos nuevos o poco conocidos, relacionando creatividad, innovación y transferencia de tecnología 2. Capacidad de razonar y actuar en base a la llamada cultura de la seguridad y la sostenibilidad 3. Tener los adecuados conocimientos matemáticos, analíticos, científicos, instrumentales, tecnológicos, de información y de gestión. Transversales: 6. USO SOLVENTE DE LOS RECURSOS DE INFORMACIÓN: Gestionar la adquisición, la estructuración, el análisis y la visualización de datos e información en el ámbito de especialidad, y valorar de forma crítica los resultados de dicha gestión. 7. TERCERA LENGUA: Conocer una tercera lengua, preferentemente el inglés, con un nivel adecuado oral y escrito y en consonancia con las necesidades que tendrán los titulados y tituladas. 8. EMPRENDIMIENTO E INNOVACIÓN: Conocer y entender la organización de una empresa y las ciencias que rigen su actividad; tener capacidad para entender las normas laborales y las relaciones entre la planificación, las estrategias industriales y comerciales, la calidad y el beneficio. Metodologías docentes La metodología del curso combina clases magistrales, sesiones de laboratorio y aprendizaje autónomo a través del desarrollo de problemas, análisis de artículos científicos y el desarrollo de proyectos. Objetivos de aprendizaje de la asignatura Resultados del aprendizaje: Al final del curso el alumno debe ser capaz de: - Identificar, seleccionar y poner en práctica el aprendizaje automático, la selección de las funciones y de los métodos de reconocimiento de patrones de acuerdo a las características del problema. 1 / 7

2 - Representar adecuadamente la información espacio-temporal estructurada. - Utilizar métodos numéricos para la optimización de algoritmos de aprendizaje automático y de sistemas de reconocimiento de patrones, considerando los paquetes de software convencionales. Contenido obligatorio: - Los modelos lineales para la agrupación, clasificación y regresión. - Redes neuronales artificiales, apoyos a las máquinas de vectores y métodos kernel. - Aprendizaje por demostración y modelos gráficos. - Variables latentes continuas y los datos secuenciales. 1. Máquinas de Vectores Soporte y métodos Kernel 2. El aprendizaje por demostración 3. Modelos gráficos 4. Métodos variables continuas latentes 5. Datos secuenciales 6. Modelo combinativo Horas totales de dedicación del estudiantado Dedicación total: 150h Horas grupo mediano: 27h 18.00% Horas grupo pequeño: 27h 18.00% Horas aprendizaje autónomo: 96h 64.00% 2 / 7

3 Contenidos Conceptos Introductorios Dedicación: 6h Grupo grande/teoría: 2h Grupo mediano/prácticas: 0h Aprendizaje autónomo: 4h Este tema tratará de: Teoría de la Probabilidad Teoría de la Decisión Clase magistral Agrupación, regresión y clasificación de modelos lineales Dedicación: 14h Grupo grande/teoría: 2h Los modelos de agrupación Modelos de función de base lineal para la regresión Funciones discriminativas Clasificación Modelos probabilísticos 3 / 7

4 Redes Neuronales Artificiales Perceptron Estructura y aprendizaje de NN Feed forward Propagación NN y Back Funciones de Base Radial Regularización de NN Máquinas de vectores de soporte y Kernel methods Teoría del Aprendizaje Estadístico Truco Kernel 4 / 7

5 Aprendizaje por demostración Dedicación: 18h Grupo mediano/prácticas: 4h Aprendizaje de Refuerzo Aplicaciones en robótica Modelos gráficos Redes bayesianas Modelos de la mezcla y algoritmo EM 5 / 7

6 Métodos de variables continuas latentes Grupo grande/teoría: 2h Grupo mediano/prácticas: 4h Análisis de Componentes Principales (PCA) Extracción de características y la reducción de dimensionalidad Análisis de Componentes Independientes (ICA) Datos secuenciales Modelos Ocultos de Markov (HHM) Sistemas dinámicos lineales (LDS) Clase magistral. solución de problemas y aprendizaje autónomo a través de ejercicios 6 / 7

7 Modelo combinativo Dedicación: 12h Grupo grande/teoría: 0h Mezcla de modelos Fusión de datos Clase magistral, solución de problemas y aprendizaje autónomo a través de ejercicios Sistema de calificación El sistema de evaluación consistirá en: - E1. Exámenes escritos (40%) - E2. Preguntas, pruebas, ejercicios, informes breves (25%) - E3. Informe del proyecto (35%) - E4. Revaluación, equivalente a E1 (40%) Bibliografía Básica: Bishop, Christopher M. Pattern recognition and machine learning. New York: Springer, cop ISBN / 7