Aprendizaje Automático II

La asignatura introduce al alumnado en las técnicas de aprendizaje automático aplicables en entornos que presenten restricciones en la distribución de los datos utilizados en la generación de los modelos: tratamiento de flujos, incorporación de nuevas experiencias, evolución de los conceptos en el tiempo o la preservación de la privacidad de la información. Su consideración requiere una capacitación específica en la aplicación de técnicas de aprendizaje incremental, detección de obsolescencias y confidencialidad en la manipulación de conjuntos de datos.

1. Adquirir los conocimientos sobre el funcionamiento de las principales técnicas de aprendizaje incremental

2. Aplicar técnicas de aprendizaje incremental para el análisis de datos en tiempo real en entornos estacionarios y no estacionarios.

3. Conocer el principio de funcionamiento de los principales paradigmas de aprendizaje con preservación de la privacidad.

La memoria del título contempla para esta asignatura los siguientes contenidos:

Aprendizaje en tiempo real sobre datos continuos (streaming data): Algoritmos incrementales para aprendizaje supervisado y no supervisado, modelos de aprendizaje para el tratamiento de la obsolescencia de los datos y de los cambios de concepto en datos no estacionarios. Paradigmas de aprendizaje con preservación de la privacidad de los datos (Privacy-by-default vs Privacy-by-design).

El contenido anterior se desarrollará a través de tres temas principales:

1. Machine Learning Online
2. Concept Drift
3. Federated Learning


Este temario se intercalará con el programa de prácticas que estará formado por dos grandes bloques:
P1. Machine Learning Online y Concept Drift
P2. Federated Learning

Bibliografía básica

[1]. Bahri, M., Bifet, A., Gama, J., Gomes, H. M., & Maniu, S. (2021). Data stream analysis: Foundations, major tasks and tools.Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery,11(3), e1405.
[2]. Bifet, A., Gavalda, R., Holmes, G., & Pfahringer, B. (2018). Machine learning for data streams: with practical examples in MOA. MIT press
[3]. Gama, J., Žliobait;, I., Bifet, A., Pechenizkiy, M., & Bouchachia, A. (2014). A survey on concept drift adaptation.ACM computing surveys (CSUR),46(4), 1-37.
[4]. Gomes, H. M., Read, J., Bifet, A., Barddal, J. P., & Gama, J. (2019). Machine learning for streaming data: state of the art, challenges, and opportunities.ACM SIGKDD Explorations Newsletter,21(2), 6-22.
[5]. Hoi, S. C., Sahoo, D., Lu, J., & Zhao, P. (2021). Online learning: A comprehensive survey.Neurocomputing,459, 249-289.
[6]. Li, T., Sahu, A. K., Talwalkar, A., & Smith, V. (2020). Federated learning: Challenges, methods, and future directions. IEEE signal processing magazine, 37(3), 50-60.
[7]. Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., & Zhang, G. (2018). Learning under concept drift: A review.IEEE Transactions on Knowledge and Data Engineering,31(12), 2346-2363.
[8]. Orabona, F. (2019). A modern introduction to online learning.arXivpreprint arXiv:1912.13213
[9]. Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2019). Federated machine learning: Concept and applications. ACM Transactions on Intelligent Systems and Technology (TIST), 10(2), 1-19.

Bibliografía complementaria

[1]. AbdulRahman, S., Tout, H., Ould-Slimane, H., Mourad, A., Talhi, C., & Guizani, M. (2020). A survey on federated learning: The journey from centralized to distributed on-site learning and beyond. IEEE Internet of Things Journal, 8(7), 5476-5497.
[2] Bifet, A., Gavalda, R. "Learning from time-changing data with adaptive windowing." In Proceedings of the 2007 SIAM international conference on data mining, pp. 443-448. Society for Industrial and Applied Mathematics, 2007.
[3] Bifet, A., & Gavalda, R. (2009). Adaptive learning from evolving data streams. InAdvances in Intelligent Data Analysis VIII
[4] Bifet, A., Gavalda, R., Holmes, G., & Pfahringer, B. (2018). Machine learning for data streams: with practical examples in MOA. MIT press.
[5]. https://federated.withgoogle.com/
[6]. Gama, J., & Castillo, G. (2006). Learning with local drift detection. InAdvanced Data Mining and Applications: Second International Conference, ADMA 2006, Xi’an, China, August 14-16, 2006Proceedings 2(pp. 42-55). Springer Berlin Heidelberg
[7] Gama, J., Medas, P., Castillo, G., & Rodrigues, P. (2004, September). Learning with drift detection. InBrazilian symposium on artificial intelligence(pp. 286-295). Springer, Berlin, Heidelberg.
[8] Ghesmoune, M., Lebbah, M., & Azzag, H. (2016). State-of-the-art on clustering data streams. Big Data Analytics, 1, 1-27.
[9] Gomes, H. M., Montiel, J., Mastelini, S. M., Pfahringer, B., & Bifet, A. (2020, July). On ensemble techniques for data stream regression. In 2020 International Joint Conference on Neural Networks (IJCNN) (pp. 1-8). IEEE.
[10] McMahan, B., Moore, E., Ramage, D., Hampson, S., & y Arcas, B. A. (2017, April). Communication-efficient learning of deep networks from decentralized data. In Artificial intelligence and statistics (pp. 1273-1282).
[11] Rahman, K. J., Ahmed, F., Akhter, N., Hasan, M., Amin, R., Aziz, K. E., ... & Islam, A. N. (2021). Challenges, applications and design aspects of federated learning: A survey.IEEE Access,9, 124682-124700.

La memoria del título contempla para esta asignatura las siguientes competencias:

Competencias básicas y generales

CG2 - Abordar con éxito todas las etapas de un proyecto de Inteligencia Artificial.
CG3 - Buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo.
CG4 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables en el campo.
CG5 - Trabajar en equipo, especialmente de carácter multidisciplinar, y ser hábiles en la gestión del tiempo, personas y toma de decisiones.
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan 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 su área de estudio
CB8 - Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios

Competencias transversales

CT3 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida.
CT7 - Desarrollar la capacidad de trabajar en equipos interdisciplinares o transdisciplinares, para ofrecer propuestas que contribuyan a un desarrollo sostenible ambiental, económico, político y social.
CT8 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad.
CT9 - Tener la capacidad de gestionar tiempos y recursos: desarrollar planes, priorizar actividades, identificar las críticas, establecer plazos y cumplirlos.


Competencias específicas

CE10.- Capacidad para la construcción, validación y aplicación de un modelo estocástico de un sistema real a partir de los datos observados y el análisis crítico de los resultados obtenidos.
CE11.- Comprensión y dominio de las principales técnicas y herramientas de análisis de datos, tanto desde el punto de vista estadístico como del aprendizaje automático, incluyendo las dedicadas al tratamiento de grandes volúmenes de datos, y capacidad para seleccionar las más adecuadas para la resolución de problemas.
CE12.- Capacidad para plantear, formular y resolver todas las etapas de un proyecto de datos, incluyendo la compresión y dominio de fundamentos y técnicas básicas para la búsqueda y el filtrado de información en grandes colecciones de datos
CE15.- Conocimiento de las herramientas informáticas en el campo del aprendizaje automático, y capacidad para seleccionar la más adecuada para la resolución de un problema

Los contenidos de la asignatura se impartirán de manera indistinta entre las clases expositivas y las clases interactivas. La realización de todas las actividades propuestas es necesaria para superar la asignatura.

Clases Expositivas (teoría): consistirán en la explicación de los diferentes apartados del programa de la asignatura, con la ayuda de medios electrónicos (presentaciones, vídeos, etc.).

Clases interactivas (prácticas): se plantearán diferentes problemas prácticos relacionados con el contenido de la asignatura para que el alumno resuelva de forma individual o en grupos.

Estudio de casos: se podrán plantear al alumnado escenarios de trabajo, reales o ficticios, que presenten determinadas problemáticas. El alumnado deberá aplicar los conocimientos teórico-prácticos de la asignatura para buscar una solución a la cuestión o cuestiones planteadas. Como norma general, el estudio de casos se realizará en grupos. Los distintos grupos de trabajo expondrán y pondrán en común sus soluciones.

Aprendizaje por proyectos: se podrá plantear al alumnado proyectos prácticos cuyo alcance requiera que se le dedique un parte importante de la dedicación total del alumno a la asignatura.

Trabajo autónomo: el alcance y objetivos de los proyectos, casos de uso y/o problemas prácticos podrán requerir del trabajo autónomo por parte de alumnado, aunque con la tutela del profesorado.

Tutorías: Las sesiones de tutorías servirán para resolver las dudas del alumnado relacionadas con los contenidos de la asignatura. Estas tutorías serán tanto presenciales como virtuales a través de correo electrónico, campus virtual o plataforma Microsoft Teams.

Curso Virtual: Esta materia dispondrá de un curso virtual a través del que se facilitará al alumnado todo el material necesario en formato digital. Se proporcionará también distintas herramientas de comunicación para el apoyo, tanto de la docencia como de las tutorías, incluyendo videoconferencia, chat, correo electrónico, foros…

Para superar la materia, el alumno tendrá que realizar todas las actividades que se propongan y superar los exámenes correspondientes.

Primera oportunidad:
Para superar la asignatura, el alumno deberá haber entregado y superado las actividades propuestas (50% de la calificación final) y aprobar el examen final (50% de la calificación).

Exámenes parciales:
No se realizará ningún examen parcial.

Segunda oportunidad:
Se mantiene la nota conseguida en las prácticas durante el curso y también su peso en la nota final. Los alumnos que no hubiesen alcanzado la nota de corte en las actividades propuestas durante la convocatoria anterior, podrán entregar, en fecha previa al examen final de segunda oportunidad, actividades similares a las no superadas, que serán propuestas por los docentes. Una vez aprobadas ambas partes por separado, el examen será el 50% de la nota final y las prácticas el 50% restante.

Dispensa de asistencia:
En caso de dispensa de asistencia los alumnos se examinarán en las mismas condiciones que los alumnos en primera convocatoria

Alumnos repetidores:
Los alumnos repetidores de años anteriores se examinarán en las mismas condiciones que los alumnos en primera convocatoria

No presentado:
El alumno recibirá la cualificación de "no presentado" cuando no se realice el examen final.

Realización fraudulenta de ejercicios o pruebas:
Para los casos de realización fraudulenta de ejercicios o pruebas será de aplicación lo recogido en la “Normativa de avaliación do rendemento académico dos estudantes e de revisión de cualificacións” de la USC.

Evaluación de las competencias:
En general el desarrollo de las actividades prácticas, proyectos y casos de uso, así como la preparación de los temas teóricos permitirá al alumnado trabajar las competencias básicas, generales y transversales de la asignatura. En concreto, a través de los proyectos y casos de uso se valorarán las competencias CT7, CT9, CG5 CG4, CG2
El desarrollo de las prácticas, así como la prueba final permitirá evaluar las competencias específicas: CE10, CE11, CE12, CE15

La asignatura tiene fijada una carga de trabajo de 3 ECTS. Este dato conduce a una carga de trabajo de 75 horas que se reparte de la siguiente manera:

Trabajo presencial en el aula:
Clases teóricas: 10 horas
Clases prácticas: 7 horas
Aprendizaje basado en problemas, seminarios, estudios de casos y proyectos: 4 horas

Trabajo personal del alumno
Clases teóricas: 10 horas
Clases prácticas: 21 horas
Aprendizaje basado en problemas, seminarios, estudios de casos y proyectos: 23 horas

Idioma principal: la materia se impartirá en inglés