course 2012-2013

Enginyeria en Informàtica

Taller de Modelització i Simulació II (12485)

Titulació / Estudis: Enginyeria en Informàtica / Estudis d'Informàtica
Tipus d'assignatura: optativa
Període: tercer trimestre
Nombre de crèdits ECTS: 4
Nombre total d'hores de dedicació a l'assignatura: 100
Llengua de docència: català

1. Presentació de l'assignatura

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, seminaris i laboratoris. En las classes de teoria s'introdueixen els conceptes teòrics i es mostren exemples de la seva aplicació. En els seminaris 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 els laboratoris es presenten problemes de més complexitat per tal que els alumnes tinguin l'oportunitat de posar en pràctica una sèrie de conceptes apresos.

2. Prerequisits per al seguiment de l'itinerari formatiu

El contingut de l'assignatura suposa que l'alumne ha tingut un contacte amb la Intel·ligència Artificial i també amb assignatures de Visió i Àudio al nivell del que es dóna abans d'aquest trimestre de tercer.

3. Competències a assolir en l'assignatura

Competències generals

Instrumentals
1. Habilitats cognitives
2. Capacitat d'anàlisi i síntesi
3. Capacitat de treballar amb informació no estructurada
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

Competències específiques

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.

4. Avaluació

Criteris generals d'avaluació
S'avaluarà cadascuna de les tres activitats de l'assignatura: classes de teoria, pràctiques i seminaris. Essent:
T: l'avaluació de les classes de teoria
P: l'avaluació de les pràctiques
S: l'avaluació dels seminaris
En l'avaluació continuada la nota final s'obté fent la mitjana ponderada de la següent manera:

Nota final = 0,2*T+0,4*P+0,4*S

La nota P 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 S prové del treball individual realitzat en i pels seminaris; s'avaluarà principalment per dues proves (cada dos seminaris) per mitjà d'exercicis com els realitzats tan a teoria com a seminaris.

Si cal anar a l'examen de setembre, 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 Setembre serà:

Nota Sbre= 0,7*ExamenSbre+0,3*P.

En el cas de que s'hagués suspès les pràctiques, es podran tornar a entregar les pràctiques i ser avaluades de nou.

5. Continguts

Blocs de contingut
1.Aprenentatge automàtic. Revisió de conceptes previs
2.Aprenentatge supervisat
3.Teoria bayesiana de la decisió
4.Aprenentatge per models generatius
5.Mètodes discriminatius per l'aprenentatge
6.Temes avençats per dades temporals
7.Tòpics avençats

6. Metodologia

Enfocament metodològic de l'assignatura
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, un 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, especialment en les tres últimes pràctiques de l'assignatura, que requereixen un disseny previ de la solució a implementar i que han de integrar diferents conceptes i tècniques. A la pràctica final es reuneixen totes les competències específiques que l'estudiant ha de adquirir en aquesta assignatura.

7. Fonts d'informació i recursos didàctics

Fonts d'informació per a l'aprenentatge. Bibliografia bàsica (suport paper i electrònic)

Ethem Alpaydin, Introduction to Machine Learning, The MIT Press, 2004.
C. M. Bishop. Pattern Recognition and Machine Learning. Springer 2006.
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.