Irakasgaiaren azalpena eta testuingurua

Ikastaro honetan ikasketa automatikoko eta eskala handiko datuen analisiko metodoak eta teknikak sartzen dira.



arazo konplexuei erantzuteko. Sistema ez-lineal baten kontrola bezalako arazoak

adibidez, sistema robotizatu bat, edo erabakiak automatikoki hartzeko arazoak, adibidez, spam posta edo posta spam, edo datu-multzo baten patroiak identifikatzeko arazoak, adibidez irudiak edo funtzioak prediktiboak.



Machine learning ikasteko metodoen edo ereduen bilakaera aztertzen da: erregresioak, sareak

neuronal artifizialak, sailkatzeko eta optimizatzeko algoritmoak, eta deep learning algoritmoak.



Irakasgaiaren zati praktikoa ikasteko metodo edo algoritmo edo sare neuronal horiek programatzean datza. artifizialak, matlab edo beste lengoaia batzuk dituztenak (Python, etab.).

Irakasgaia ikastean lortuko diren emaitzak

Ezagutzak edo edukiak:

1: Ikasketa automatikoko teknikekin zer problema konpon daitezkeen jakitea

2: Gehien erabiltzen diren oinarrizko printzipioak eta teknikak ezagutzea eta erabili beharreko ikaskuntza automatikoko teknikarik onena ezagutzea, arazoaren eta datuen izaeraren arabera, adimen artifizialeko benetako programazio-ingurune batean aplikatzeko.



Trebetasunak:

1: Industria-aplikazioetan kontrol adimenduneko teknikak garatzeko trebetasuna

2: Gainbegiratutako eta gainbegiratu gabeko ikaskuntza-arazo bat bereizteko trebetasuna

3: Ikasketa automatikoko aplikazio industrialetan gehien erabiltzen diren software-tresnak erabiltzeko trebetasuna

Ohiko deialdia: orientazioak eta uko egitea

Idatzizko proba: % 50 (banakakoa, % 50eko gutxieneko eskakizuna)



Ordenagailuko praktiken memoriak: % 50 (banakakoa)



Deialdi baten ebaluazioari uko egiteko, nahikoa izango da azken azterketara ez aurkeztea.

deialdia.



Etengabeko ebaluazioari uko eginez gero, ordenagailuko praktikako proba bat egingo da.

Ezohiko deialdia: orientazioak eta uko egitea

Idatzizko proba: % 50 (banakakoa, % 50eko gutxieneko eskakizuna)



Ordenagailu-proba: % 50 (banakakoa)



Deialdi baten ebaluazioari uko egiteko, nahikoa izango da azken azterketara ez aurkeztea.

deialdia

Irakasgai-zerrenda

TEORIA



1. gaia. Ikasketa automatikoa (Machine Learning)



Testuingurua. Zer da Ikasketa Automatikoa? Gainbegiratutako ikaskuntza. Gainbegiratu gabeko ikaskuntza



2. gaia. Erregresio lineala



Erregresio lineala aldagai batekin: modeloaren irudikapena; kostu-funtzioa; beheranzko gradientea.



Erregresio lineala hainbat aldagairekin: ezaugarri anitzak; gradiente ondorengoa aldagai askotarako;

eskalatzea; ikaskuntza-ratioa; erregresio polinomiala; ekuazio normala.



3. gaia. Erregresio logistikoa



Erregresio logistikoa: sailkapena; hipotesien adierazpena; erabaki-muga; kostu-funtzioa; kostu-funtzioa

sinplifikatua eta gradiente ondorengoa; optimizazio aurreratua; sailkapen multiklase - bat vs guztiak.



Erregularizazioa: gaindoikuntza-arazoa; kostu-funtzioa; erregresio lineal erregularizatua; erregresio logistikoa

erregularizatuta.



4. gaia. Neurona-sareak



RNA- Irudikapena: hipotesi ez-lineala; neuronak eta garuna; ereduaren irudikapena; adibideak eta intuizioa;

klase anitzeko sailkapena.



RNA- Ikaskuntza: kostu-funtzioa; backpropagation algoritmoa; gradientearen egiaztapena; ausazko inizializazioa;

auto autonomoaren adibidea.





5. gaia. Metaklasifikatzaileak



Adaboost algoritmoa.



6. gaia. Errefortzu-ikaskuntza



Q (s, a) eta TD algoritmoa.



7. gaia. Optimizazioa



Particle Swarm Optimization, bertsio moldagarria, murrizketekin. Optimizazio-ariketa. Ezarpena

PSO algoritmoa. Differential Evolution, egokitzapen-bertsioa, murrizketekin.



8. gaia. Ikaskuntza sakona (Deep Learning)



Ikaskuntza sakonaren ezaugarri nagusiak.



Arkitektura garrantzitsuenak: Autorencoders, Sare Konboluzionalak, Sinesmen Sare Sakonak



ORDENAGAILU-PRAKTIKA



1. gaia. Programazio-hizkuntza: Matlab/Octave + Quiz/Sarrera



2. gaia. Programazio-ariketa: erregresio lineala



3. gaia. Programazio-ariketa: erregresio logistikoa



4. gaia. Programazio-ariketa: klase anitzeko sailkapena eta neurona-sareak, eta neurona-sareen ikaskuntza



5. gaia. Programazio-ariketa: Adaboost algoritmoaren garapena



6. gaia. Programazio-ariketa: RL algoritmo baten programazioa



7. gaia.- Programazio-ariketa: optimizazioa. DE algoritmoa inplementatzea.



8. gaia. Programazio-ariketa: Sare Konboluzionalen eta Autoencoder-en erabilera, bai eta birentrenamenduaren erabilera ere

aurretiko sareena.

Bibliografia

Nahitaez erabili beharreko materiala

Ordenagailuaren teoria eta praktikak babesteko gardenkien dokumentazioa gelan dago



Ikasgaiaren eGela birtuala, eGela irakaskuntza presentzialari laguntzeko plataforma birtuala: http://egela.ehu.es



Plataforma hori ikaskuntza-materialak banatzeko erabiliko da. Horrez gain,



ikasleen arteko komunikazioa, hala nola berehalako mezularitza, eta tutoretza elektronikoa ahalbidetzen du



taldea. Azkenik, plataformak estatistikak kalkulatzen ditu, ikasleen kalifikazioak kudeatzen ditu, etab.

Oinarrizko bibliografia

Titulo: Pattern recognition and machine learning

Autor: Christopher M. Bishop

Editorial: Springer



Titulo: Pattern classification

Autor: Richard O. Duda, Peter E. Hart, David G. Stork

Editorial: Wiley-Interscience



Izenburua: Pattern classification



Egilea: Richard O. Duda, Peter E. Hart, David G. Stork



Argitaletxea: Wiley-Interscience



Izenburua: Neurona artifizialen sareak: ikuspegi praktikoa



Egilea: Pedro Isasi Viñuela e Ines M. Galvan



Argitaletxea: Pearson Education



Izenburua: Sare neuronalak eta sistema lausoak.



Egilea: Bonifacio Martin Del Brio eta Alfredo Sanz Molina



Argitaletxea: Ra-Ma



Titulua: Ikaskuntza automatikoa. Ikuspegi praktikoa



Egilea: Gonzalo Pajares Martin-San eta Jesus M. De La Cruz Garcia



Argitaletxea: Ra-Ma

Gehiago sakontzeko bibliografia

Izenburua: Machine Learning



Egilea: Tom M. Mitchell



Argitaletxea: McGraw-Hill



Izenburua: Boosting: Foundations and Algorithms



Egilea: Robert E. Schapire eta Yoav Freund



Argitaletxea: Editorial MIT Press



Izenburua: Reinforcement Learning, An Introduction



Egilea: Richard S. Sutton eta Andrew G. Barto



Argitaletxea: Editorial MIT Press



Izenburua: Swarm Intelligence



Egilea: Russell C. Eberhart, Yuhui Shi eta James Kennedy



Argitaletxea: Morgan Kaufmann Publishers

Aldizkariak

Neural Networks (journal)



http://www.journals.elsevier.com/neural-networks/



International Journal of Artificial Intelligence and Neural Networks



http://seekdl.org/journal_details.php?jourid=84







Revista Iberoamericana de Automática e Informática Industrial (Journal)



http://zl.elsevier.es/es/revista/revista-iberoamericana-automatica-e-informatica-331







International Journal of Neural Systems



http://www.worldscientific.com/worldscinet/ijns







Decision Support Systems (Journal)



http://www.journals.elsevier.com/decision-support-systems/







International Journal of Artificial Intelligence and Neural Networks



http://seekdl.org/journal_details.php?jourid=84







IEEE Transactions On Pattern Analysis And Machine Intelligence



https://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=34

Estekak

International Federation of Automatic Control



http://www.ifac-control.org /







IFACeko Automatikako Espainiako Batzordea.



http://www.cea-ifac.es /







American Automatic Control Council.



http://www.a2c2.org /







Tutorials for MATLAB and Simulink



https://eu.mathworks.com/support/learn-with-matlab-tutorials.html







Neurona-sare artifizialak eta horien aplikazioak ikastaroa (OCW-EHU)



http://ocw.ehu.es/file.php/102/redes_neuro/Course_listing.html







Machine Learning



https://www.coursera.org/learn/machine-learning /