Curs 2015-16
Reconeixement de Patrons
| Titulació: | Codi: | Tipus: |
| Grau en Enginyeria Informàtica | 22639 | Optativa |
| Grau en Enginyeria Telemàtica | 22591 | Optativa |
| Grau en Enginyeria en Sistemes Audiovisuals | 21626 | Optativa |
| Crèdits ECTS: | 4 | Dedicació: | 100 hores | Trimestre: | 1r |
| Departament: | Dept. de Tecnologies de la Informació i les Comunicacions |
| Coordinador: | Xavier Binefa |
| Professorat: | Xavier Binefa, Pol Cirujeda, Adrià Ruiz |
| Idioma: | Català, Castellà, anglès. |
| Horari: | |
| Campus: | Campus de la Comunicació - Poblenou |
El problema d'extreure patrons a partir de les dades és una història d'èxits: ha tingut resultats tan impressionants com les lleis de la física o en temps més recents resultats en àmbits com la recuperació de la informació, la mineria de dades, el reconeixement de caràcters o de la parla, la predicció econòmica o la bioinformàtica entre molts altres. En tots aquests temes actuals es tracta de descobrir de forma automàtica les regularitats que presenten les dades utilitzant algoritmes i a partir d'aquestes regularitats i tendències prendre decisions tals com classificar les dades en categories. En definitiva es tracta d'extraure –descobrir- informació a partir de les dades. El propòsit d'aquest taller es presentar tècniques generals i que s'han demostrat útils per a extreure aquesta informació. Els mètodes que es plantegen s'introduiran des d'un punt de vista pràctic i basat en exemples.
L'assignatura està composta de tres activitats principals: classes de teoria, pràctiques i problemes. En les classes de teoria s'introdueixen els conceptes teòrics i es mostren exemples de la seva aplicació. En els problemes els alumnes es veuran confrontats amb petits problemes que hauran de resoldre ells mateixos. Cada problema correspon a un dels conceptes introduïts a classe de teoria. En les pràctiques es presenten problemes de més complexitat per tal que els alumnes tinguin l'oportunitat de posar en pràctica una sèrie de conceptes apresos.
Haver cursat Probabilitat, Estadística i Processos Estocàstics amb aprofitament. També alguna assignatura de Visió per Computador pot ser interessant encara que no és imprescindible.
| Competències generals | Competències específiques |
|---|---|
|
Instrumentals 1. Habilitats cognitives 2. Capacitat d’anàlisi i síntesi 3. Capacitat de treballar amb 4. Organització del temps i planificació Interpersonals 5. Treball amb grup 6. Competència en presentació de la comunicació Sistèmiques 7. Capacitat d’aplicar coneixements teòrics a la pràctica 8. Relacionar els models amb les dades 9. Capacitat de generar idees |
a) Parlar amb propietat en termes de dades, models i errors b) Entendre i ser crític en llegir articles de recerca sobre els temes tractats c) Desenvolupar hàbits empírics en l’aprenentatge d’algoritmes de modelització d) Saber escollir un mètode formulant els pros i cons i aconseguir que aporti resultats e) Treballar en àrees relacionades amb els continguts de la matèria f) Implementar els processos escollits avaluant el cost computacional necessari. |
S'avaluarà cadascuna de les tres activitats de l'assignatura: classes de teoria, pràctiques i problemes. Essent:
T: l'avaluació de les classes de teoria
P: l'avaluació dels problemes
S: l'avaluació de pràctiques
En l'avaluació continuada la nota final s'obté fent la mitjana ponderada de la següent manera (requereix tenir al menys un 4 de teoria, en cas contrari l'assignatura estaria suspesa):
Nota final = 0,35*T+0,15*P+0,5*S
La nota S provindrà del treball realitzat en les pràctiques i s'avaluarà per la qualitat del codi i de la memòria que s’entregui. Es preveu que hi hagi tres entregues.
La nota P prové del treball individual realitzat en els problemes; s'avaluarà principalment per dues proves per mitjà d'exercicis com els realitzats tan a teoria com a seminaris.
Si cal anar a l'examen de juliol, la nota final serà la d'aquest examen on hi entrarà tot el contingut de l'assignatura explicat en les classes de teoria. La nota de juliol serà: Nota Juliol = 0,6 * ExamenJuliol + 0,4 * Practiques. En el cas de que s'hagués suspès les pràctiques, es podran tornar a entregar les pràctiques i ser avaluades de nou.
T1Introduction
T2 Review and Bayesian Decision Theory
T3 Linear models for classification
T4 Support Vector Classifiers and Kernel methods
T5 Linear Models for Regression
T6 Unsupervised Learning
T7 Latent Variable Models
T8 Combining Classifiers
T9 Advanced topics: Deep Learning
El procés habitual d'aprenentatge comença amb una sessió de teoria en la que es presenten certs fonaments teorico-pràctics. L'estudiant haurà de complementar aquesta activitat amb un lectura detinguda dels seus propis apunts i el material addicional que el professor hagi proporcionat. Per exemple, una sessió de teoria de 2 hores, convenientment aprofitades, requerirà un treball addicional fora de l'aula d'1 hora per part de l’estudiant.
Posteriorment es realitzaran algunes sessió d'exercicis, en les quals l'estudiant posa en pràctica els conceptes i tècniques presentades a la sessió de teoria, mitjançant la implementació d'algorismes per resoldre petits problemes o be fent problemes en paper. Pels primers exercicis de la sessió es proporcionaran les solucions, però per la resta no. L'objectiu és que consolidi els fonaments per tal que posteriorment pugi resolgui problemes de major complexitat.
El següent pas en el procés d'aprenentatge és la sessió de pràctiques. En ella es proposen uns problemes de mida més gran que requereixen un disseny previ de la solució a implementar i que han d'integrar diferents conceptes i tècniques. A la pràctica final es reuneixen totes les competències específiques que l'estudiant ha de adquirir en aquesta assignatura.
Kevin P. Murphy. Machine Learning: A probabilistic Perspective. The Mit Press 2012.
S. Theodoridis, K. Koutroumbas An Introduction to Pattern Recognition: A Matlab Approach. Academic Press, 1999.
Ethem Alpaydin, Introduction to Machine Learning, The MIT Press, 2010.
S. Theodoridis, K. Koutroumbas Pattern Recognition, Fourth Edition. Elsevier Academic Press, 1999. http://www.sciencedirect.com/science/book/9781597492720
C. M. Bishop. Pattern Recognition and Machine Learning. Springer 2006.
L. I. Kuncheva Combining Pattern Classifiers, Methods and Algorithms. Wiley Interscience, 2004.
T. Hastie, R. Tibshirani and J. Friedman. The Elements of Statistical Learning: Data mining, Inference, and Prediction. Springer, 2001.
Duda, Hart and Stork,. Pattern Classification, Wiley–Interscience, 2001.
D. Mackay. Information Theory, Inference, and Learning Algorithms. Cambridge University Press, 2003.