|
Guia docenteCurso Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos |
| Máster Universitario en Xestión Sostible da Auga |
 Asignaturas |
| Aprendizaje Automático |
| Contenidos |
|
|
| Datos Identificativos | 2023/24 | |||||||||||||
| Asignatura | Aprendizaje Automático | Código | 632549028 | |||||||||||
| Titulación |
|
|||||||||||||
| Descriptores | Ciclo | Periodo | Curso | Tipo | Créditos | |||||||||
| Máster Oficial | 2º cuatrimestre |
Primero | Optativa | 3 | ||||||||||
|
||||||||||||||
| Tema | Subtema |
| 1.- Introducción al aprendizaje | 1.1.- Ámbitos y tipos de problemas 1.2.- Características generales 1.3.- Precisión y dimensionalidad |
| 2.- Aprendizaje Estadística | 2.1.- Discriminantes lineales 2.2.- Otros discriminantes |
| 3.- Árboles de Decisión | 3.1.- Objetivo de la IA simbólica 3.2.- Generalidades 3.3.- Árboles de Decisión 3.4.- Medidas de rendimiento |
| 4.- Redes Neuronales Artificiales | 4.1.- Conceptos básicos 4.2.- El perceptrón 4.3.- Redes profundas y otros modelos |
| 5.- Kernels | 5.1.- Nomenclatura y definiciones 5.2.- SVMs lineales 5.3.- SVMs no lineales |
| 6.- Aprendizaje no supervisado y semisupervisado | 6.1.- Análisis clúster 6.2.- Aprendizaje por refuerzo |
| 7.- Metodología experimental y análisis de datos y resultados | 7.1.- Extracción y selección de características 7.2.- Preprocesado de datos 7.3.- Diseño experimental 7.4.- Estimación del error 7.5.- Selección de modelos |
|
