Curs 2009-2010

Intel·ligència Artificial i Enginyeria del Coneixement II (12472)

 

Titulació / Estudis: Enginyeria en Informàtica / Estudis d'Informàtica
Curs: 4t
Període: 1r trimestre
Nombre d'ECTS: 3,6 crèdits
Nombre total d'hores de dedicació a l'assignatura: 90 hores
Llengua de docència: castellà

 

1. Presentació de l'assignatura
En aquest curs es tractaran tècniques estadístiques lineals i no lineals per la modelització de dades empíriques per mitjans de xarxes neurals, funcions de bases radials, tècniques de optimització supervisades i no supervisades, i tècniques d'aprenentatge en teoria de la informació.

L'objectiu és brindar a l'alumne la base teòrica i pràctica requerides per utilitzar tècniques de d'aprenentatge neural lineal i no lineal, supervisades i no supervisades, i models de percepció.
 

2. Competències a assolir en l'assignatura
- Coneixement de tècniques de Machine Learning.
- Implementació de mètodes per a aplicacions reals.
- Repàs d'eines matemàtiques (estadistica, àlgebra, anàlisi).
- Pràctica en programació (codi eficient, clar, documentació).
- Recerca bibliogràfica, comprensió
 

3. Avaluació
Pràctiques (40%), teoria (60%) (en el examen final), cada part s'aprova independentment. Las practicas seran 4 a 5 aplicaciones, consistentes en la programacion de tecnicas de Machine Learning y la resolucion de una tarea concreta
 

4. Continguts
1) Models de aprenentatge supervisat
Perceptrons simples:
Aproximació de funcions lineals (Xarxes neurals lineals: ADALINE) Classificació lineal (Perceptró clàssic)
Perceptrons no lineals:
Aproximació de funcions no lineals ( Perceptrons de varies capes, sigmoidals i polinomials)
Funcions de base radials:
Aproximació de funcions de densitat

2) Models d'aprenentatge no supervisat
Principal Component Analysis (PCA) Aprenentatge no supervisat (formulació estadística) Introducció a la teoria de la informació ICA (Independent Component Analysis): Lineal i no lineal

3) Models de Percepció
 

5. Fonts d'informació i recursos didàctics
Bibliografia bàsica (suport paper i electrònic)
- John Herz, a. Krogh und R. Palmer: Introduction to the Theory of neuronal Computation. Addison-Wesley Publishing Company.
- S. Haykin: Neural Networks. A Comprehensive Foundations. Prentice Hall, Second Edition.
- G. Deco: An Information-Theoretic Approaxh to Neural Computing. Springer Verlag.
- E. Rolls and G. Deco: Computational Neuroscience of Vision. Oxford University Press.