Última modificación: 20-05-2016 240AR022 - Reconocimiento de Formas y Aprendizaje Automático Unidad responsable: 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona Unidad que imparte: 707 - ESAII - Departamento de Ingeniería de Sistemas, Automática e Informática Industrial Curso: 2016 Titulación: MÁSTER UNIVERSITARIO EN AUTOMÁTICA Y ROBÓTICA (Plan 2012). (Unidad docente Obligatoria) MÁSTER UNIVERSITARIO EN INGENIERÍA INDUSTRIAL (Plan 2014). (Unidad docente Optativa) Créditos ECTS: 6 Idiomas docencia: Inglés Profesorado Responsable: ANDREU CATALA MALLOFRE Otros: 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 1/7 Universitat Politècnica de Catalunya Última modificación: 20-05-2016 240AR022 - Reconocimiento de Formas y Aprendizaje Automático reconocimiento de patrones de acuerdo a las características del problema. - 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. 2. 3. 4. 5. 6. Máquinas de Vectores Soporte y métodos Kernel El aprendizaje por demostración Modelos gráficos Métodos variables continuas latentes Datos secuenciales Modelo combinativo Horas totales de dedicación del estudiantado Dedicación total: 150h Horas grupo grande: 0h 0.00% Horas grupo mediano: 27h 18.00% Horas grupo pequeño: 27h 18.00% Horas actividades dirigidas: 0h 0.00% Horas aprendizaje autónomo: 96h 64.00% 2/7 Universitat Politècnica de Catalunya Última modificación: 20-05-2016 240AR022 - Reconocimiento de Formas y Aprendizaje Automático Contenidos Conceptos Introductorios Dedicación: 6h Grupo grande/Teoría: 2h Grupo mediano/Prácticas: 0h Aprendizaje autónomo: 4h Descripción: Este tema tratará de: · Teoría de la Probabilidad · Teoría de la Decisión Actividades vinculadas: Clase magistral Objetivos específicos: CB1, CB2, CB3,CG1, CG3, CG8, CT3, CT5, CT6, CT7, CE3, CE11 Agrupación, regresión y clasificación de modelos Dedicación: 14h lineales Grupo grande/Teoría: 2h Grupo mediano/Prácticas: 2h Aprendizaje autónomo: 10h Descripción: Este tema se ocupa de: · Los modelos de agrupación · Modelos de función de base lineal para la regresión · Funciones discriminativas · Clasificación Modelos probabilísticos Actividades vinculadas: Lección magistral, resolución de problemas y aprendizaje autónomo a través de ejercicios Objetivos específicos: CB1, CB2, CB3,CG1, CG3, CG8, CT3, CT5, CT6, CT7, CE3, CE11 3/7 Universitat Politècnica de Catalunya Última modificación: 20-05-2016 240AR022 - Reconocimiento de Formas y Aprendizaje Automático Redes Neuronales Artificiales Dedicación: 16h Grupo grande/Teoría: 4h Grupo mediano/Prácticas: 2h Aprendizaje autónomo: 10h Descripción: Este tema se ocupa de: · Perceptron · Estructura y aprendizaje de NN · Feed forward Propagación NN y Back · Funciones de Base Radial · Regularización de NN Actividades vinculadas: Lección magistral, resolución de problemas y aprendizaje autónomo a través de ejercicios Objetivos específicos: CB1, CB2, CB3,CG1, CG3, CG8, CT3, CT5, CT6, CT7, CE3, CE11 Máquinas de vectores de soporte y Kernel methods Dedicación: 16h Grupo grande/Teoría: 4h Grupo mediano/Prácticas: 2h Aprendizaje autónomo: 10h Descripción: Este tema se ocupa de: · Teoría del Aprendizaje Estadístico · Truco Kernel Actividades vinculadas: Lección magistral, resolución de problemas y aprendizaje autónomo a través de ejercicios Objetivos específicos: CB1, CB2, CB3,CG1, CG3, CG8, CT3, CT5, CT6, CT7, CE3, CE11 4/7 Universitat Politècnica de Catalunya Última modificación: 20-05-2016 240AR022 - Reconocimiento de Formas y Aprendizaje Automático Aprendizaje por demostración Dedicación: 18h Grupo grande/Teoría: 4h Grupo mediano/Prácticas: 4h Aprendizaje autónomo: 10h Descripción: Este tema se ocupa de: · Aprendizaje de Refuerzo · Aplicaciones en robótica Actividades vinculadas: Lección magistral, resolución de problemas y aprendizaje autónomo a través de ejercicios Objetivos específicos: CB1, CB2, CB3,CG1, CG3, CG8, CT3, CT5, CT6, CT7, CE3, CE11 Modelos gráficos Dedicación: 16h Grupo grande/Teoría: 4h Grupo mediano/Prácticas: 2h Aprendizaje autónomo: 10h Descripción: Este tema se ocupa de: · Redes bayesianas · Modelos de la mezcla y algoritmo EM Actividades vinculadas: Lección magistral, resolución de problemas y aprendizaje autónomo a través de ejercicios Objetivos específicos: CB1, CB2, CB3,CG1, CG3, CG8, CT3, CT5, CT6, CT7, CE3, CE11 5/7 Universitat Politècnica de Catalunya Última modificación: 20-05-2016 240AR022 - Reconocimiento de Formas y Aprendizaje Automático Métodos de variables continuas latentes Dedicación: 16h Grupo grande/Teoría: 2h Grupo mediano/Prácticas: 4h Aprendizaje autónomo: 10h Descripción: Este tema se ocupa de: · Análisis de Componentes Principales (PCA) · Extracción de características y la reducción de dimensionalidad · Análisis de Componentes Independientes (ICA) Actividades vinculadas: Lección magistral, resolución de problemas y aprendizaje autónomo a través de ejercicios Objetivos específicos: CB1, CB2, CB3,CG1, CG3, CG8, CT3, CT5, CT6, CT7, CE3, CE11 Datos secuenciales Dedicación: 16h Grupo grande/Teoría: 4h Grupo mediano/Prácticas: 2h Aprendizaje autónomo: 10h Descripción: Este tema se ocupa de: · Modelos Ocultos de Markov (HHM) · Sistemas dinámicos lineales (LDS) Actividades vinculadas: Clase magistral. solución de problemas y aprendizaje autónomo a través de ejercicios Objetivos específicos: CB1, CB2, CB3,CG1, CG3, CG8, CT3, CT5, CT6, CT7, CE3, CE11 6/7 Universitat Politècnica de Catalunya Última modificación: 20-05-2016 240AR022 - Reconocimiento de Formas y Aprendizaje Automático Modelo combinativo Dedicación: 12h Grupo grande/Teoría: 0h Grupo mediano/Prácticas: 2h Aprendizaje autónomo: 10h Descripción: Este tema se ocupa de: · Mezcla de modelos · Fusión de datos Actividades vinculadas: Clase magistral, solución de problemas y aprendizaje autónomo a través de ejercicios Objetivos específicos: CB1, CB2, CB3,CG1, CG3, CG8, CT3, CT5, CT6, CT7, CE3, CE11 Sistema de calificación El sistema de evaluación consistirá en: - E1. E2. E3. E4. Exámenes escritos (40%) Preguntas, pruebas, ejercicios, informes breves (25%) Informe del proyecto (35%) Revaluación, equivalente a E1 (40%) Bibliografía Básica: Bishop, Christopher M. Pattern recognition and machine learning. New York: Springer, cop. 2006. ISBN 9780387310732. 7/7 Universitat Politècnica de Catalunya