logo fiuba

Los objetivos de la matería son familiarizar al alumno con los modelos de aprendizaje automático simbólico y sub-simbólico aplicado a robótica inteligente.

Programa

  • Aprendizaje Automático
  • Redes Neuronales
  • Algoritmos Geneticos
  • Big Data
  • Procesamiento de Lenguaje Natural

Ver detalles »

Trabajo Final

El entregable será un paper de hasta 10 páginas, en formato Lecture Notes in Computer Science (LNCS) el cual es el formato utilizado por el Congreso Argentino de Ciencias de la Computación (CACIC). Deberá contar con un mínimo de 10 referencias.

Ver detalles »

Software

  • Redes Neuronales: SOM, JOONE
  • Algoritmos Genéticos:JGAP
  • Big data: OrientDB, Neo4j, Apache CouchDB, Mongo DB, Apache Cassandra, Redis
  • Procesamiento de Lenguaje Natural: WEKA, NLTK

Ver detalles »

Bibliografía

  • García Martínez; Servente; Pasquini. 2003. Sistemas Inteligentes.
  • Goldberg. 1989. Genetic Algorithms in Search, Optimization & Machine Learning.
  • Hilera; Martínez. 1995. Redes Neuronales Artificiales.
  • otros...

Ver detalles »


Programa

Aprendizaje Automático

Aprendizaje a partir de la observación. Un modelo general de agentes con capacidad para aprender. Componentes del elemento de desempeño. Representación de los componentes. Conocimiento previo. Integración en un todo Aprendizaje inductivo. Aprendizaje con árboles de decisión. Expresividad de los árboles de decisión. Cómo inducir árboles de decisión a partir de ejemplos. Evaluación de la eficiencia de un algoritmo de aprendizaje. Aplicaciones prácticas del aprendizaje por árbol de decisión. Empleo de la teoría de la información. Ruido y sobreadaptación. Ampliación de los usos de los árboles de decisión. Aprendizaje de las descripciones lógicas generales. Hipótesis. Ejemplos. Búsqueda de la mejor hipótesis del momento. Búsqueda basada en el compromiso mínimo. Teoría del aprendizaje computacional. El aprendizaje en las redes de creencia. Métodos bayesianos empleados en las redes de creencias para aprendizajes. Aprendizaje bayesiano. Problemas del aprendizaje en las redes de creencia. Aprendizaje de redes cuya estructura es fija. Aprendizaje por refuerzo. Introducción. Aprendizaje pasivo en ambientes. Actualización ingenua. Programación dinámica adaptable. Aprendizaje por diferencia temporal. Aprendizaje pasivo en un ambiente desconocido. Aprendizaje activo en un entorno desconocido. Exploración. El aprendizaje de una función acción- valor. La generalización en el aprendizaje por refuerzo.

Redes Neuronales

Introducción a las redes neuronales. Base biológica. El perceptrón simple. Memoria asociativa. Gradiente descendiente para el cómputo de matriz de memoria. Memoria de matriz de correlación. Modelo de Hopfield. Introducción. Variaciones del modelo de Hopfield. Patrones correlacionados. Unidades de funciones continuas. Modelo de Kohonen. Base neurofísica. Ejemplos de simulación. Aplicación al problema del viajante de comercio. Modelo de retropropagación (Backpropagation Networks). Introducción y base de la retropropagación. Ejemplos y aplicaciones. Redes multicapa y de alimentación directa (Feedforward networks). Aprendizaje no supervisado. Introducción. Método de Hebbian. Mapas autoorganizable (Modelo de Kohonen). Aplicaciones y ejemplos.

Algoritmos Geneticos

Antecedentes. Algoritmo Simple. Sistemas Naturales y Sistemas Artificiales. Aplicaciones. Operadores Básicos: Variantes. Métodos de Selección. Selección por Ruleta. Selección con Control sobre el Número Esperado. Selección Elitista. Selección por Ranking. Métodos de Cruza. Cruza Simple. Cruza Multipunto. Cruza Binomial. Métodos de Mutación. Mutación Simple. Mutación Adaptativa por Convergencia. Mutación Adaptativa por Temperatura. Mutación Adaptativa por Temperatura Ascendente. Mutación Adaptativa por Temperatura Descendente. Algoritmos Genéticos en Profundidad. Esquemas. Teorema Fundamental. Efecto de la Selección. Efecto de la Cruza. Efecto de la Mutación. Teorema Fundamental de los Algoritmos Genéticos. Mecanismos de Selección. Función de Aptitud. Construcción de la Función de Aptitud. Necesidad de Escalado. Manejo de Restricciones. Mecanismos de Cruza. Disrupción. Construcción. Mecanismos de Mutación. Disrupción. Construcción. Resolución de problemas con A G. El problema de la Representación. Codificación de Parámetros. Parámetros Binarios. Parámetros No Binarios. Números Enteros. Números Reales. Distribución de los genes dentro del cromosoma. Elección de la Función de Aptitud. Metodología de Diseño de AG. Fase Dependiente del Problema. Fase Independiente del Problema. Algoritmos evolutivos. Programación evolutiva. Estrategia evolutiva. Algoritmos Genéticos Secuenciales. Algoritmos Genéticos Paralelos.

Big Data

Introducción a los grandes datos. Historia y evolución de las bases de datos. Bases de datos NoSQL. Tendencias en el mercado. Importancia en las grandes empresas. Acceso, índices y ordenamiento. Map and Reduce. Apache Hadoop. Recuperación de información (information retrieval) y búsqueda en la Web. Consultas de frases e índices posicionales. Matrices de incidencia. Índices invertidos. Consultas sobre Índices invertidos. Consultas de frases e índices posicionales. Ejemplos.

Procesamiento de Lenguaje Natural

Normalización del Texto. Segmentación de oraciones. Tokenización. Stemming. Introducción a N-Gramas. Bigramas. Good Turing Smoothing. Stupid Backoff Smoothing. Introducción a la Clasificación de texto. Naïve Bayes. Entrenamiento de Naïve Bayes. Naïve Bayes paso a paso, ejemplo. Medidas de rendimiento y desempeño para un clasificador de texto. Cuestiones practicas. Introducción al análisis de sentimientos. Algoritmos de análisis de sentimientos. Lexicón de sentimiento. Creación de un lexicón propio. Otras tareas relacionadas al análisis de sentimientos.

Trabajo Final

Objetivo

Introducir al alumno en el mundo de la investigación y el desarrollo científico. Incentivar la búsqueda e investigación de contenido en publicaciones científicas. Enseñar el formato utilizado en el ámbito académico para la publicación de trabajos de investigación, de forma que el alumno sea capaz de llevar adelante la elaboración y redacción de un paper científico.

Desarrollo del Trabajo

Se deberá presentar un problema original, relacionado con alguno de los temas de la materia. Dicho problema tendrá que ser buscado, analizado e investigado en publicaciones científicas recientes con el fin de conocer el estado del arte o estado de la cuestión en el mundo. Se esbozará luego una posible solución, aunque sea solo para un escenario puntual. Se realizará un desarrollo de software para corroborar dicha solución y obtener una medida objetiva de su efectividad o, en caso de no ser posible llevar adelante un desarrollo, se procederá a respaldar la solución propuesta citando investigaciones científicas existentes.

Formato y Entregable

El entregable será un paper de hasta 10 páginas, en formato Lecture Notes in Computer Science (LNCS) el cual es el formato utilizado por el Congreso Argentino de Ciencias de la Computación (CACIC). Deberá contar con un mínimo de 10 referencias.

Evaluación

El trabajo se evaluará de la misma forma en la cual es evaluado un paper para la presentación en un congreso:

Se entiende que la presentación y acepción del paper realizado por el o los alumnos en CACIC o cualquier otro congreso similar es equivale a obtener un diez de forma automática. Sin embargo no es obligatorio presentar el trabajo en ningún congreso ni es esta la única forma de obtener dicha nota.

Software

Redes Neuronales

Algoritmos Genéticos

Big data

Procesamiento de Lenguaje Natural

Bibliografía

Bibliografía Principal

Fiszelew, A. y García Martínez, R. 2002. Generación Automática de Redes Neuronales con Ajuste de Parámetros Basado en Algoritmos Genéticos. Revista del Instituto Tecnológico de Buenos Aires. Volumen 26. Páginas 76-101.

García Martínez, R. y Borrajo, D. 1997. Planning, Learning and Executing in Autonomous Systems. Lecture Notes in Artificial Intelligence. Nber. 1348 (Ed. Sam Steel & Rachid Alami) Páginas 208-210. Springer-Verlag.

García Martínez, R. Aprendizaje Automático. Enciclopedia Iberoamericana de Psiquiatría. Volumen II (Ed. G. Vidal, R. Alarcón & F. Lolas). Páginas 824-828. Editorial Médica Panamerica. ISBN 950-06-2311-0. 1999.

García Martínez, R. y Borrajo, D. 2000. An Integrated Approach of Learning, Planning and Executing. Journal of Intelligent and Robotic Systems. Volumen 29, Número 1, Páginas 47-78. Kluwer Academic Press.

García Martínez, R., Servente, M. y Pasquini, D. 2003. Sistemas Inteligentes. 347 páginas. Editorial Nueva Librería. ISBN 987-1104-05-7.

Goldberg, D. Genetic Algorithms in Search, Optimization & Machine Learning. Addison-Wesley Publishing Company Inc, 1989.

Hilera, J. & Martínez, V. Redes Neuronales Artificiales. Addison-Wesley Iberoamerica-na. Delaware. 1995.

Servente, M. y García Martínez, R. Algoritmos TDIDT Aplicados a la Minería Inteligente. Revista del Instituto Tecnológico de Buenos Aires. Volumen 26. Páginas 39-57. 2002.

Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008.

Jurafsky, Daniel, and James H. Martin. 2009. Speech and Language Processing: An Introduction to Natural Language Processing, Speech Recognition, and Computational Linguistics. 2nd edition. Prentice-Hall.

Bibliografía Adicional: Clasificación de Textos y Análisis de Sentimientos

Rodríguez, Juan Manuel; Calot, Enrique; Merlino, Hernan Clasificación de Prescripciones Médicas en Español. XX Congreso Argentino de Ciencias de la Computación, 2014, ISBN: 978-987-3806-05-6.

BOLLEN, Johan; MAO, Huina; ZENG, Xiaojun. Twitter mood predicts the stock market. Journal of Computational Science, 2011, vol. 2, no 1, p. 1-8.

Metsis, Vangelis, Ion Androutsopoulos, and Georgios Paliouras. "Spam filtering with naive bayes-which naive bayes?." CEAS. 2006.

Christopher Potts."On the negativity of negation". Proceedings of Semantics and Linguistic Theory 20. CLC Publications. 2011. p. 636-659

Hatzivassiloglou, V., & McKeown, K. R. (1997, July). Predicting the semantic orientation of adjectives. In Proceedings of the 35th Annual Meeting of the Association for Computational Linguistics and Eighth Conference of the European Chapter of the Association for Computational Linguistics (pp. 174-181). Association for Computational Linguistics.

Turney, Peter D. "Thumbs up or thumbs down?: semantic orientation applied to unsupervised classification of reviews." Proceedings of the 40th annual meeting on association for computational linguistics. Association for Computational Linguistics, 2002.

HU, Minqing; LIU, Bing. Mining and summarizing customer reviews. En Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2004. p. 168-177.

BLAIR-GOLDENSOHN, Sasha, et al. Building a sentiment summarizer for local service reviews. En WWW Workshop on NLP in the Information Explosion Era. 2008. p. 14.