Curso de Posgrado 2021: Introducción al aprendizaje automático: Aplicación a la predicción y control

Docente: Dr. Ing. Julián Pucheta.
Plan de dictado: a partir del Jueves 16 de Agosto, modalidad Virtual con encuentros síncronos en el horario de 15 a 19.
Valor 3 créditos en el Programa de Doctorado en Ciencias de la Ingeniería. Res HCD 1025/2018.
El programa y la reglamentación está aquí.

Inscripción: enviar email a jpucheta@unc.edu.ar con adjunto del escaneado (o foto digital) de la Factura del pago en el Área Económica financiera de la Facultad (Arancel 2021 es de $3000, tress mil pesos argentinos), y un escaneado del Título de Grado (o foto).

Lugar de dictado: Campus Virtual. Si se permite presencialidad, Aula Virtual y Aula de Informática. 

 Curso de Doctorado 
 “INTRODUCCIÓN AL APRENDIZAJE AUTOMÁTICO: APLICACIÓN A LA PREDICCIÓN Y
 CONTROL”
 
 Unidad Académica organizadora:
 Dr. Ing. Julián Antonio PUCHETA, Sub-Director del Laboratorio de Investigación Matemática Aplicada a Control (LIMAC) / A Cargo de la Cátedra Sistemas de Control II, Depto. Electrónica, FCEFyN, UNC.
 Responsable Académico: Prof. Dr. Ing. Julián Antonio PUCHETA
 Responsable Administrativo: Prof. Dr. Ing. Julián Antonio PUCHETA
  
 Temario a Desarrollar
  
 1. Teoría de probabilidad y estadística.
 2. Regresión y clasificación lineal.
 3. Redes neuronales.
 3.1. Redes de una capa.
 3.2. Perceptrón multicapa.
 3.3. Funciones de base radial.
 4. Funciones error y desempeño.
 4.1. Optimización de parámetros.
 4.2 Generalización y aprendizaje.
 5. Aplicaciones a la predicción y al control automático.
 5.1. Modelos de series temporales.
 5.2. Modelos dinámicos de procesos.
 5.3. Esquemas de predicción y control.
  
 El curso requiere de conocimientos previos de Algebra lineal, Probabilidad, Estadística y Cálculo multivariable adquiridos en las Carreras de Grado Universitario y particularmente Ingeniería. Es un curso autocontenido, que pretende formar al alumno en el área de aprendizaje automático, tópico que abarca a sistemas inteligentes e inteligencia artificial, aplicado al pronóstico de series temporales y al control automático.
 La estrategia de planificación didáctica está basada en el libro de texto [1] y se incorpora bibliografía especializada según la aplicación sea predicción o control [2] [3] [4].
  
 Se pretende hacer una introducción al aprendizaje automático y al reconocimiento de patrones, con el nivel técnico de profundidad adecuado para estudiantes de posgrado e investigadores en el área. 
 Se propone hacer un tratamiento unificado de técnicas nuevas y conocidas.
  
 Destinatarios de la actividad
 Estudiantes de Maestría y Doctorado en Ciencias de la  Ingeniería, Docentes Universitarios y Profesionales activos en el área de aprendizaje automático.
  
 Disertante
 Dr. Ing. Julián Antonio PUCHETA.
  
 Fecha de realización
 Del 02-08-2021 al 19-11-2021.
  
 Duración y programa de actividad diaria
 Duración:   60 hs
 Actividad áulica:     10 hs/semana
 Actividad personal: 14 hs/semana
 Actividad total:       24 hs/semana
 Asignación horaria áulica total del curso: 60 horas
 Asignación horaria total del curso:  240 horas.
 
 Metodología a utilizar en el dictado
 PROGRAMA DE PRÁCTICAS
 El curso incluye como actividades prácticas, la resolución por parte del alumno y a modo de tareas, de problemas propuestos por el docente. Los problemas contemplarán el modelizado, el diseño del algoritmo y la simulación en computadora. 
 Estos problemas se resolverán parcialmente en el aula. A tal efecto se dedicará el 50% del tiempo de asignación áulica del curso a clases prácticas guiadas. Las prácticas serán completadas por el estudiante como tarea extraáulica.
 Cada tema del programa de la asignatura tiene asociado una práctica de problemas.
  
 Bibliografía y material didáctico que se proveerá a los asistentes
Enlaces con información pertinente y filminas de las aulas.
  
 Bibliografía General
 Básica:
 [1]. Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006, ISBN: 0387310738.
  
 Recomendada:
 [2]. Christopher M. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, USA; 1 edition, 1996. ISBN: 0198538642.
 [3]. Ajoy K. Palit, Dobrivoje Popovic Computational Intelligence in Time Series Forecasting: Theory and Engineering Applications (Advances in Industrial Control) (Kindle Edition), Springer, 2005.
 [4]. Chris Chatfield, The Analysis of Time Series: An Introduction, (Texts in Statistical Science), Chapman & Hall/CRC; 2003, ISBN: 1584883170.
  
 Evaluación final, metodología y profesores propuestos para realizarla
  
 Evaluación:
 Examen escrito integrador de los temas dictados. La calificación final (0-10) se basa en un 40% sobre las prácticas, y un 60% sobre el Examen.
  
 Tribunal: Dr. Ing. Julián Antonio PUCHETA, Dr. Gustavo WOLFMANN, Dr. Ing. Orlando MICOLINI, Dr. Marcelo SMREKAR (Suplente)
  
 Aranceles: $ 3000,00 (tres mil pesos Argentinos). Se eximirá del pago del 50 % de arancel a los estudiantes de las Carreras de Doctorado en Ciencias de la Ingeniería de la FCEFyN, UNC.
 
 Entidad que operará como unidad ejecutora de recursos: LIMAC
 Dr. Ing. Julián Antonio PUCHETA.  
  
        COMISION O UNIDAD ACADÉMICA ORGANIZADORA
   Dr. Ing. Julián Antonio PUCHETA, del Laboratorio de   Investigación Matemática Aplicada a Control - Cátedra Sistemas de Control II,   Depto. Electrónica, FCEFyN, UNC.      
  
        RESPONSABLE ACADÉMICO Y ADMINISTRADOR DE FONDOS   PROPUESTO
   Dr. Ing.   Julián Antonio PUCHETA      
  
        NOMBRE Y APELLIDO DE LOS DISERTANTES
    Dr. Ing. Julián   Antonio PUCHETA      
  
        DESTINATARIOS DE LA ACTIVIDAD
   Estudiantes de Maestría y Doctorado en Ciencias de la Ingeniería.
  
        FECHA O PERÍODO PROBABLE DE LA ACTIVIDAD: De Agosto-2021 a Noviembre 2021.
  
        DURACIÓN DE LA ACTIVIDAD (EN HORAS): 60 horas. Mediante encuentros presenciales o encuentros síncronos.
  
        EVALUACIÓN FINAL:     SI 
   PROPUESTA DEL TRIBUNAL EXAMINADOR:
   - Prof. Dr. Ing. Julián Antonio PUCHETA
   - Prof. Dr. Gustavo WOLFMANN
   - Prof. Dr. Ing. Orlando MICOLINI
   - Prof. Dr. Marcelo SMREKAR (Suplente)      
  
        MONTO DE ARANCELES: $ 3000,00. (tres mil pesos Argentinos)
   Se exceptuará del pago del 50 % del arancel a los alumnos de Doctorado en Ciencias de la Ingeniería. (FCEFyN,   UNC).
  
        UNIDAD EJECUTORA
   Laboratorio/Cátedra: Laboratorio de Investigación Matemática Aplicada al Control / Sistemas de Control II.
  
 ANEXO
 Programa Sintético
  
 1. Teoría de probabilidad y estadística.
 2. Regresión y clasificación lineal.
 3. Redes neuronales.
 4. Funciones error y desempeño.
 5. Aplicaciones a la predicción y al control automático.
  
 Programa Analítico
 Unidad N°1: Probabilidades. (10Hs)
 Introducción. Variables estocásticas. Probabilidades marginal y condicional. Teorema de Bayes. Esperanza, varianza, covarianza. Predicción. Teoría de la decisión y selección del modelo. Problemas. Ejercicios. Casos para simulación.
  
 Unidad N°2: Regresión y clasificación lineal. (10Hs)
 Distribución de probabilidad. Estadística. Verosimilitud. Distribución Gaussiana. Mezcla de Gaussianas. Gaussianas lineales y densidades genéricas. Regresión Lineal. Ajuste mediante ML o estima Bayesiana. Casos de estudio para realizar experimentos estadísticos y regresión. Estudio del sobre-ajuste como problema inherente en la estima ML.
  
 Unidad N°3. Redes neuronales. (10Hs)
 Modelos de clasificación. Superficies de decisión lineales. Propuesta geométrica. Maximiza distancia de medias y minimiza varianzas. Propuesta probabilística. Funciones sigmoidales. Regresión logística. Redes neuronales como modelos para regresión /clasificación. Evaluación directa. Esquema de máxima posibilidad. Retro propagación para obtener el gradiente. Ejercicios para experimentación. Métodos basados en kernel. Predicción exacta. Mejoras para obtener generalización: redes de base radial. Entrenamiento de redes de base radial. Ejemplos para experimentar.
  
 Unidad N°4. Funciones error y desempeño. (10Hs)
 Error suma de cuadrados. Error de Minkowski. Varianza dependiente de la entrada. Modelado de distribuciones condicionales. Estima de probabilidades a posteriori. Suma de cuadrados para clasificación. Entropia cruzada. Entropia.
  
 Unidad N°5. Aplicaciones a la predicción y al control automático. (20Hs)
 Definición del problema. Clasificación de las series temporales. Análisis regresivo, en dominio temporal y frecuencial. Construcción del modelo. Ejemplos. Formulación del problema de predicción para procesos determinísticos. Descripción del sistema y evaluación de su desempeño. La medida del desempeño. El planteo en el problema del control óptimo. Programación dinámica. Técnicas numéricas iterativas para encontrar acciones de control óptimas y trayectorias. Neurocontrolador basado en Programación Dinámica. Aplicaciones y ejemplos.  Control basado en redes neuronales. Control libre de modelo: Aprendizaje Q. Ejemplos: variable de estado de aprendizaje Q, variable de estado de aprendizaje Q con aproximaciones, control adaptivo.  

Subir al inicio de la páginaLogo subir

2021 Desarrollado por Centro de Cómputos Facultad de Ciencias Exactas, Físicas y Naturales