Intel·ligència artificial avançada Codi:  M1.204    :  6
Consulta de les dades generals   Descripció   Informació prèvia a la matrícula   Objectius i competències   Continguts   Consulta dels recursos d'aprenentatge de què disposa l'assignatura   Recursos d'aprenentatge i eines de suport   Informacions sobre l'avaluació a la UOC   Consulta del model d'avaluació  
ATENCIÓ: Aquesta informació recull els apartats del pla docent de l'assignatura durant el darrer semestre amb docència. En iniciar el període de matrícula, podràs consultar el calendari i model d'avaluació per al següent semestre a Tràmits / Matrícula / Horaris de les proves d'avaluació final.

La motivació principal d'aquesta assignatura és la de donar a conèixer l'aprenentatge automàtic i com es situa dins del camp de la Intel·ligència Artificial.

A Intel·ligència Artificial (Grau en Enginyeria Informàtica) es va donar una visió general de la Intel·ligència Artificial i es varen presentar alguns dels mètodes i tècniques anomenats clàssics, com son la resolució de problemes i cerca i els sistemes basats en el coneixement, també es varen veure tècniques més avançades com son les xarxes neurals i el raonament aproximat. A l'assignatura d'Aprenentatge computacional es van introduir els problemes de l'aprenentatge (supervisat i no supervisat) i sistemes multi agent. En aquesta assignatura s'aprofundirà en problemes avançats d'aprenentatge, introduint els sistemes d'extracció de característiques, els sistemes no lineals basats en Kernels, els processos d'optimització o les tècniques d'aprenentatge profund,  sempre des d'una vessant pràctica tocant exemples de problemes reals.

Amunt

És recomanable haver cursat les assignatures d'Intel·ligència Artificial i Aprenentatge Computacional del grau en Enginyeria Informàtica.  També és molt recomanable haver superat l'assignatura de prácitques de programació o equivalent en algun programa d'informàtica. Si vé l'assignatura no està pensada per a tenir una alta càrrega de programació, es donaran per sabuts els conceptes més bàsics d'algorísmica.

Amunt

Les competències generals del Màster que es posen de manifest en aquesta assignatura són

  1. Capacitat per a projectar, calcular i dissenyar productes, processos i instal·lacions en tots els àmbits de l'enginyeria en informàtica.
  2. Capacitat per al modelat matemàtic, càlcul i simulació en centres tecnològics i d'enginyeria d'empresa, particularment en tasques d'investigació, desenvolupament i innovació en tots els àmbits relacionats amb l'enginyeria en informàtica
  3. Capacitat per a l'aplicació dels coneixments adquirits i de solucionar problemes en entorns nous o poc coneguts dins de contextes més amplis i multidisciplinars, essent capaços d'integrar aquests coneixements.
  4. Posseir habilitats per  a l'aprenentatge continuat, autodirigit i autònom.
  5. Capacitat per a modelar, disenyar, definir l'arquitectura, implantar, gestionar, operar, administrar y mantenir aplicacions, xarxes, sistemes, serveis i continguts informàtics.
  6. Capacitat per assegurar, gestionar, auditar i certificar la qualitat dels desenvolupaments, processos, sistemes, serveis, aplicacions i productes informàtics.
  7. Capacitat per a comprendre y poder aplicar coneixements avançats de computació d'altes prestacions i mètodes numèrics o computacionals a problemes d'enginyeria.

Les competències específiques d'aquesta assingatura són:

  1. Entendre que és l'aprenentatge automàtic en el context de la Intel·ligència Artificial
  2. Distingir entre els diferents tipus i mètodes d'aprenentatge
  3. Conèixer els diferents mètodes d'extracció de característiques sobre un conjunt de dades donat
  4. Conèixer els diferents paradigmes de classificació i els sues punts forts i febles.
  5. Saber avaluar els algorismes de classificació i extreure'n conclusions de la seva eficiència, permetent seleccionar els més adients en cada cas.
  6. Aplicar les tècniques estudiades a un cas concret

Amunt

En aquesta assignatura els continguts s'han estructurat en dos mòduls.

En el primer mòdul es dona una visió general de l'aprenentatge dins de la Intel·ligència Artificial. En principi es fa la distinció entre algorismes dedicats a l'agrupació (clustering) i recomanació d'informació, els algorismes d'extracció i selecció de característiques, els algorismes de classificació, els mètodes d'optimització i les tècniques d'aprenentatge profund.  La distinció entre aprenentatge supervisat i no supervisat es inherent al capítols de clustering i classificació, tot i que es també present en el capítol d'extracció de característiques.

El segon mòdul, molt més breu,  està dedicat a l'aprenentatge del llenguatge Python. Es pretén introduir a l'estudiant en algunes (de les moltes) característiques que té aquest llenguatge, de cara a una millor comprensió dels mòduls de teoria, i poder realitzar pràctiques de forma autònoma.

A continuació es dóna el contingut  detallat de cadascun d'aquests mòduls.

1. Introducció a la Intel·ligència Artificial (IA)
1.1. Neurones i transistors
1.2. Breu història de
la IA
1.3. Àmbits d'aplicació


2. Recomanadors i agrupaments
2.1. Mètriques i mesures de similitud
2.1.1. Exemple d'aplicació
2.1.2. Distància euclidiana
2.1.3. Correlació de Pearson
2.2. Sistemes recomanadors
2.2.1. Conceptes generals
2.2.2. La biblioteca Surprise
2.2.3. Veïns més propers
2.2.4. Descomposició en valors singulars

2.2.5. Conclusions
2.3. Algorismes d'agrupament (clustering)
2.3.1. Exemple d'aplicació
2.3.2. Conceptes generals
2.3.3. Agrupament jeràrquic. Dendrogrames
2.3.4. k-mitjans (k-means)
2.3.5. c-mitjans difús (Fuzzy c-means)
2.3.6. Agrupament espectral (Spectral Clustering)
2.3.7. Recomanadors basats en models


3. Extracció i selecció d'atributs
3.1. Tècniques de factorització matricial
3.1.1. Descomposició en valors singulars (SVD)
3.1.2. Anàlisi de components principals (PCA)
3.1.3. Anàlisi de components independents (ICA)
3.1.4. Factorització de matrius no-negatives (NMF)
3.2. Discriminació de dades en classes
3.2.1. Anàlisi de discriminants lineals (LDA)
3.3. Visualització de dades mutidimensionals
3.3.1. Escalament multidimensional (MDS)


4. Classificació
4.1. Introducció
4.1.1. Categorització de textos
4.1.2. Aprenentatge automàtic per classificació
4.1.3. Tipologia d'algorismes per classificació
4.2. Mètodes basats en models probabilístics
4.2.1. Naïve Bayes
4.2.2. Màxima Entropia
4.3. Mètodes basats en distàncies
4.3.1. KNN
4.3.2. Classificador lineal basat en distàncies
4.3.3. Clustering dins de classes
4.4. Mètodes basats en regles
4.4.1. Arbres de decisió
4.4.2. AdaBoost
4.5. Classificadors lineals i mètodes basats en Kernels
4.5.1. Classificador lineal basat en producte escalar
4.5.2. Classificador lineal amb Kernel
4.5.3. Kernels per a tractament de textos
4.5.4. Màquines de vectors de suport
4.6. Protocols de test
4.6.1. Protocols de validació
4.6.2. Mesures d'avaluació
4.6.3. Tests estadístics
4.6.4. Comparativa de classificadors


5. Optimització
5.1. Introducció
5.1.1. Tipologia dels mètodes d'optimització
5.1.2. Característiques dels metaheurístics d'optimització
5.2. Optimització mitjançant multiplicadors de Lagrange
5.2.1. Descripció del mètode
5.2.2. Exemple d'aplicació
5.2.3. Anàlisi del mètode
5.3. Descens de gradients
5.3.1. Presentació de la idea
5.3.2. Exemple d'aplicació
5.3.3. Qüestions addicionals
5.4. Salt de valls

5.4.1. Descripció del mètode

5.4.2. Exemple d'aplicació

5.4.3. Anàlisi del mètode 
5.5. Algorismes genètics
5.5.1. Descripció del mètode
5.5.2. Ampliacions i millores
5.5.3. Exemples d'aplicació
5.5.4. Recopilació d'estadístiques
5.5.5. Problemes combinatoris

5.5.6. Problemes amb restriccions

5.5.7. Anàlisi del mètode
5.6. Colònies de formigues
5.6.1. Descripció del mètode
5.6.2. Exemple d'aplicació
5.6.3. Anàlisi del mètode
5.6.4. Codi font en Python
5.7. Optimització amb eixams de partícules
5.7.1. Descripció del mètode
5.7.2. Exemple d'aplicació
5.7.3. Anàlisi del mètode
5.7.4. Codi font en Python
5.8. Cerca tabú.
5.8.1. Descripció del mètode
5.8.2. Exemple d'aplicació
5.8.3. Anàlisi del mètode
5.8.4. Codi font en Python

 

6. Aprenentatge profund
6.1. Introducció

6.1.1. Assoliments recents

6.1.2. Causes

6.1.3. Arquitectures

6.1.4. Biblioteques

6.2. Xarxes neuronals

6.2.1. Components d'una xarxa neuronal

6.2.2. Funcions d'activació

6.2.3. Entrenament d'una xarxa neuronal

6.2.4. Problemes d'aprenentatge

6.2.5. Algunes solucions

6.2.6. Aprenentatge profund

6.3. Perceptró multicapa

6.3.1. Idea

6.3.2. Exemple d'MLP

6.4. Classificació d'imatges amb xarxes neuronals convolucionals (CNN)

6.4.1. Implementació de les CNN a Python utilitzant les llibreries Keras

6.5. Xarxes recurrents

6.5.1. Idea

6.5.2. Programació

6.6. Altres arquitectures

6.6.1. Autocodificadors

6.6.2. Aprenentatge per reforç

6.6.3. Sistemes generadors

 

7. Annex: conceptes bàsics d'estadística

Amunt

MovieLens-data Web
Intel·ligència artificial avançada PDF
Codi font. Exemples materials Web

Amunt

L'assignatura es compon dels mòduls didàctics en suport paper, que contenen exercicis d'autoavaluació amb solucions i activitats diverses.

Aquest material es complementarà amb aquell que els consultors posin a l'abast dels estudiants a l'aula de l'assignatura.

Es preveu també la creació d'una aula de laboratori per a resoldre els dubtes corresponents al llenguatge Python

Amunt

La Normativa acadèmica de la UOC disposa que el procés d'avaluació es fonamenta en el treball personal de l'estudiant i pressuposa l'autenticitat de l'autoria i l'originalitat dels exercicis fets.

La manca d'originalitat en l'autoria o el mal ús de les condicions en què es fa l'avaluació de l'assignatura és una infracció que pot tenir conseqüències acadèmiques greus.

Es qualificarà l'estudiant amb un suspens (D/0) si es detecta manca d'originalitat en l'autoria d'alguna activitat avaluable (pràctica, prova d'avaluació contínua (PAC) o final (PAF), o la que es defineixi al pla docent), sigui perquè ha utilitzat material o dispositius no autoritzats, sigui perquè ha copiat textualment d'internet, o ha copiat d'apunts, de materials, de manuals o d'articles (sense la citació corresponent), d'altres estudiants, o per qualsevol altra conducta irregular.

La qualificació de suspens (D/0) en les qualificacions finals d'avaluació contínua pot comportar l'obligació de fer l'examen presencial per a superar l'assignatura (si hi ha examen i si superar-lo és suficient per a superar l'assignatura segons indiqui el pla docent).

Quan aquesta mala conducta es produeixi durant la realització de les proves d'avaluació finals presencials, l'estudiant pot ser expulsat de l'aula, i l'examinador farà constar tots els elements i la informació relatius al cas.

D'altra banda, aquesta conducta pot donar lloc a la incoació d'un procediment disciplinari i l'aplicació, si escau, de la sanció que correspongui.

La UOC habilitarà els mecanismes que consideri oportuns per a vetllar per la qualitat de les seves titulacions i garantir l'excel·lència i la qualitat del seu model educatiu.

Amunt

Aquesta assignatura es pot superar a partir de l'avaluació contínua (AC) i una prova de síntesi (PS). És necessari fer les activitats pràctiques obligatòries (Pr), la nota de les quals s'encreua amb la nota d'avaluació contínua . El resultat d'aquest creuament entre l'AC i la Pr es creua amb la nota de la PS per a obtenir la nota final de l'assignatura. Per a fer la PS cal haver superat l'AC. La fórmula d'acreditació de l'assignatura és la següent: (AC + Pr) + PS

 
 

Amunt