Reconocimiento de Formas y Aprendizaje Automático

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