ANX-PR/CL/ GUÍA DE APRENDIZAJE ASIGNATURA CURSO ACADÉMICO - SEMESTRE FECHA DE PUBLICACION

Transcripción

1 ANX-PR/CL/ GUÍA DE APRENDIZAJE ASIGNATURA Machine learning and neural networks Nombre Asignatura CURSO ACADÉMICO - SEMESTRE Curso y Semestre 1 FECHA DE PUBLICACION Julio 2014

2 Datos Descriptivos Nombre de la Asignatura Titulación Centro responsable de la titulación Machine learning and neural networks Master Universitario en Automatica y Robotica E.T.S. de Ingenieros Industriales Semestre/s de impartición Semester 1 Materia Carácter optativa Código UPM Datos Generales Créditos 3 Curso Curso Académico Período de impartición Idioma de impartición Ingles Otro idiomas de impartición Requisitos Previos Obligatorios Asignaturas Superadas Otros Requisitos Conocimientos Previos Asignaturas Previas Recomendadas Conocimientos de Algebra e primero de Grado de una carrera técnica Otros Conocimientos Previos Recomendados 1

3 Competencias CG1. Tener conocimientos adecuados de los aspectos científicos y tecnológicos de la automática y la robótica. Trabajo en equipo Exposición en público Idioma Inglés Resultados de Aprendizaje The main objective is that the student can apply the most important techniques for Machine Learning, both the Classical Techniques and those based on Artificial Neural Networks, to solve problems using actual data, some of them based on synthetic data, useful for getting familiar with the techniques, and some others based on data from real-word applications. The student is aimed to understand the features common to any kind of machine learning technique, and also to be able to understand the advantages and drawbacks of every technique in order to solve a particular problem. The examples are solved using Matlab and the specific toolbox of Statistics and Neural- Networks. A good motivation for using the techniques based in Neural Networks is given, by presenting the main features and the general methodology of such bio-inspired techniques, when compared to classical ones. Profesorado Profesorado Nombre Despacho Tutorias Pascual Campoy Cervera Pascual.campoy@upm.es Ramón Galán López Carol V. Martinez Ramon.galan@upm.es Carolviviana.martinez@upm.es Nota.- Las horas de tutoría son orientativas y pueden sufrir modificaciones. Se confirmar los horarios de tutorías con el profesorado. 2

4 Descripción de la Asignatura The main objective is that the student can apply the most important techniques for Machine Learning, both the Classical Techniques and those based on Artificial Neural Networks, to solve problems using actual data, some of them based on synthetic data, useful for getting familiar with the techniques, and some others based on data from real-word applications. The problems include both supervised learning problems, as well as unsupervised problems. The student is aimed to understand the features common to any kind of machine learning technique, and also to be able to understand the advantages and drawbacks of every technique in order to solve a particular problem. The classical techniques are studied as the reference techniques that used mathematical solutions and with which the new soft-computing techniques based on Neural Networks are to be compared with. The examples are solved using Matlab and the specific toolbox of Statistics and Neural-Networks. A good motivation for using the techniques based in Neural Networks is given, by presenting the main features and the general methodology of such bio-inspired techniques, when compared to classical ones. Temario 1. Intelligence and learning What is intelligence? What are intelligent machines? The learning relevance Building intelligent machines Objectives of the subject Applications 2. Feature processing Objectives of feature processing Quality criteria Feature selection Unsupervised linear processing Supervised linear processing 3. Classical classifiers Objective of classifiers Classifier types Supervised classifiers Unsupervised classifiers 3

5 7. Machine learning general methodology Objectives Supervised and not supervised learning Learning challenges Building machine learning models Errors and validation 8. Bio-inspiration Intelligence and the cortex Cortex structure Visual intelligence Visual cortex Cortex working conclusions 9. Supervised Neural Networks: Multilayer Perceptron Artificial Neural Networks Perceptron and the MLP structure The back-propagation learning algorithm MLP features and drawbacks The auto-encoder 10. Non supervised Neural Networks: Self-organizing Maps Objectives Learning algorithm Examples Applications 4

6 ANX-PR/CL/001-02: GUÍA DE APRENDIZAJE Cronograma Horas totales: Peso total de actividades de evaluación continua: Horas presenciales: Peso total de actividades de evaluación sólo prueba final: Semana Actividad Prensencial en Actividad Prensencial en Otra Actividad Presencial Actividades Evaluación Semana 1 Lecturing: Introduction. 1. Intelligence & Learning Get used to Matlab and the data for exercises Semana 2 2. Feature Processing Exercises on feature processing Semana 3 Exercises on feature processing Entrega de ejercicios Semana 4 Semana 5 Classifiers 4. Machine Learning 5. Bio-inspiration Exercises on classifiers and classifiers Exercises on classifiers and classifiers Entrega de ejercicios Semana 6 6. Supervised NN: MLP Exercises on supervised NN Semana 7 Exercises on supervised NN Entrega de ejercicios Semana 8 7. Unsupervised NN: SOM Exercises on un-supervised NN Semana 9 Public presentation of the Homework Nota.- El cronograma sigue una planificación teórica de la asignatura que puede sufrir modificaciones durante el curso. Nota 2.- Para poder calcular correctamente la dedicación de un alumno, la duración de las actividades que se repiten en el tiempo (por ejemplo, subgrupos de prácticas") únicamente se indican la primera vez que se definen. Entrega del Homework y Examen final 5

7 ANX-PR/CL/001-02: GUÍA DE APRENDIZAJE Actividades de Evaluación Semana Descripción Duración Tipo evaluación Técnica evaluativa Presencial Peso Nota mínima Competencia s evaluadas 3 Exercises on feature processing 3 si 10% Resolucion practica de problemas 5 Exercises on classifiers 3 si 10% Resolucion practica de problemas 7 Exercises on supervised NN 3 si 10% 9 Homwork public presentation 2 si 35% 9 Final exam 2 si 35% 4/10 Resolucion practica de problemas Trabajo en equipo y presentación en público Conocimientos de la asignatura Criterios de Evaluación Datos relativos al temario de la asignatura Recursos Didácticos Descripción Tipo Observaciones 2 libros de referncia del contenido de la asignatura Diapositivas de las exposiciones del professor y de los ejercicos (resueltos y propuestos) Pagina web de la asignatura, con foros, documentos, ejercicios e información adicional Libro de texto Documentos pdf. Pagína moodle Otra Información 6