Gaia
Ikaste-Teknika Adimenduak
Gaiari buruzko datu orokorrak
- Modalitatea
- Ikasgelakoa
- Hizkuntza
- Gaztelania
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.).
Irakasleak
Izena | Erakundea | Kategoria | Doktorea | Irakaskuntza-profila | Arloa | Helbide elektronikoa |
---|---|---|---|---|---|---|
BASOGAIN OLABE, FRANCISCO JAVIER | Euskal Herriko Unibertsitatea | Unibertsitateko Irakaslego Titularra | Doktorea | Elebakarra | Sistemen Ingeniaritza eta Automatika | xabier.basogain@ehu.eus |
LOPEZ GUEDE, JOSE MANUEL | Euskal Herriko Unibertsitatea | Irakaslego Agregatua | Doktorea | Elebakarra | Sistemen Ingeniaritza eta Automatika | jm.lopez@ehu.eus |
ZULUETA GUERRERO, EKAITZ | Euskal Herriko Unibertsitatea | Irakaslego Agregatua | Doktorea | Elebiduna | Sistemen Ingeniaritza eta Automatika | ekaitz.zulueta@ehu.eus |
Gaitasunak
Izena | Pisua |
---|---|
Identificar y formular la problemática de automatización y control de procesos industriales | 23.0 % |
Adquirir una formación avanzada y multidisciplinar en ámbitos de la automatización y control | 23.0 % |
Aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con el área de la automatización y control de procesos. | 53.0 % |
Irakaskuntza motak
Mota | Ikasgelako orduak | Ikasgelaz kanpoko orduak | Orduak guztira |
---|---|---|---|
Magistrala | 15 | 22.5 | 37.5 |
Ordenagailuko p. | 15 | 22.5 | 37.5 |
Irakaskuntza motak
Izena | Orduak | Ikasgelako orduen ehunekoa |
---|---|---|
Ariketak | 12.5 | 40 % |
Azalpenezko eskolak | 15.0 | 80 % |
Iturriak eta baliabideak erabiltzea | 12.5 | 40 % |
Kasuen analisia | 20.0 | 40 % |
Lanak ekipo informatikoekin | 15.0 | 80 % |
Ebaluazio-sistemak
Izena | Gutxieneko ponderazioa | Gehieneko ponderazioa |
---|---|---|
Azalpenak | 0.0 % | 20.0 % |
Garatu beharreko galderak | 0.0 % | 20.0 % |
Idatzizko azterketa | 50.0 % | 70.0 % |
Lan praktikoak | 0.0 % | 20.0 % |
OTROS | 0.0 % | 10.0 % |
Praktiken Memoria/Txostenak | 30.0 % | 50.0 % |
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 learningAutor: 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 /