CURSO : SISTEMAS URBANOS INTELIGENTES TRADUCCION : INTELLIGENT URBAN SYSTEMS SIGLA : ICT3115 CRÉDITOS : 10 UC / 6 SCT MODULOS : 3 REQUISITOS : (IIC2115 o IIC2233) y (ICS1113 o IIC2613) RESTRICCIONES : 040201 o 040301 o 041301 CONECTOR : O CARACTER : OPTATIVO TIPO : CATEDRA CALIFICACION : ESTANDAR PALABRAS CLAVE : ANALITICA URBANA, APRENDIZAJE DE MAQUINA, SISTEMAS INTELIGENTES, ANALISIS DE DATOS NIVEL FORMATIVO : DOCTORADO I.DESCRIPCIÓN DEL CURSO Las grandes cantidades de datos generados en entornos urbanos mediante redes de sensores, redes sociales y crowdsourcing abren la puerta a un sinfin de posibles aplicaciones que permitan mejorar la vida de los ciudadanos. En este curso los estudiantes aprenderan las bases teoricas y practicas para utilizar tecnicas de aprendizaje de maquina profundo en conjunto con grandes volumenes de datos estructurados y no estructurados para la resolucion de problemas urbanos. Adicionalmente, el curso incorpora un fuerte componente de investigacion, enfocada en la implementacion y aplicacion a problemas urbanos de tecnicas recientemente propuestas en las areas de aprendizaje profundo y analitica urbana. II.RESULTADOS DE APRENDIZAJE -Analizar los problemas que pueden ser planteados y resueltos en el contexto de la generacion masiva de datos urbanos. -Analizar conceptos y tecnicas de aprendizaje profundo en el area del analisis de datos urbanos. -Aplicar tecnicas de aprendizaje profundo para la resolucion de problemas en contextos urbanos utilizando grandes volumenes de datos. -Realizar investigacion independiente usando herramientas recientes de aprendizaje profundo en problemas reales de datos generados en entornos urbanos. III.CONTENIDOS 1.Introduccion 1.1.Generacion y captura de datos en un contexto urbano 1.2.Introduccion al aprendizaje de maquina 1.3.Fundamentos de aprendizaje profundo con redes neuronales 1.4.Herramientas de desarrollo 2.Procesamiento de datos tabulados 2.1.Definicion de caso de estudio: deteccion de eventos anomalos 2.2.Almacenamiento y procesamiento de grandes volumenes datos 2.3.Metodos de prediccion basados en ensambles 2.4.Redes neuronales para datos tabulados 3.Procesamiento de datos visuales 3.1.Definicion de caso de estudio: prediccion utilizando imagenes a nivel de suelo y satelitales 3.2.Redes neuronales convolucionales. 3.3.Clasificacion y deteccion 3.4.Segmentacion semantica 4.Procesamiento de texto y series de tiempo 4.1.Definicion de caso de estudio: analisis de redes sociales 4.2.Redes recurrentes 4.3.Modelos neuronales de lenguaje 4.4.Modelos de redes neuronales basados en atencion 5.Procesamiento de datos estructurados 5.1.Definicion de caso de estudio: prediccion de variables en una red de transporte 5.2.Datos geoespaciales 5.3.Redes neuronales para grafos 5.4.Mecanismos de atencion en redes neuronales para grafos 6.Control de agentes 6.1.Definicion de caso de estudio: control de trafico 6.2.Simulacion y modelos de conductor 6.3.Aprendizaje reforzado IV.ESTRATEGIAS METODOLOGICAS -Clases expositivas, estructuradas en base al estudio por problemas de analisis de datos masivos en un contexto urbano. -Lectura, presentacion y discusion de articulos cientificos destacados y recientes V.ESTRATEGIAS EVALUATIVAS -Tareas practicas : 60% -Presentaciones orales de articulos : 10% -Proyecto de investigacion : 30% VI.BIBLIOGRAFIA Minima: -I. Goodfellow, Y. Bengio, A. Courville, ''Deep Learning'', MIT Press, 2017. -A. Singleton. S. Spielman, D. Folch, ?Urban Analytics?, Sage Publications, 2018. -J. Leskovec, A. Rajaramanan, and J.D. Ullman, ``Mining Massive Datasets'', Cambridge University Press, 2020. -Proceedings de conferencias: CVPR, NeurIPS, ICML, ICLR, KDD, entre otras. Complementaria: -F. Chollet, ?Deep Learning with Python?, Manning, 2017. -Eli Stevens, Luca Antiga, and Thomas Viehmann, ?Deep Learning with Pytorch?, Manning, 2020. -A. Barto, R. Sutton, ?Reinforcement Learning: An Introduction?, MIT Press, 2018.