Guía DocenteCurso Escola Politécnica de Enxeñaría de Ferrol |
Máster Universitario en Informática Industrial e Robótica |
Asignaturas |
Aprendizaxe Automática I |
Contidos |
|
|
Datos Identificativos | 2023/24 | |||||||||||||
Asignatura | Aprendizaxe Automática I | Código | 770538016 | |||||||||||
Titulación |
|
|||||||||||||
Descriptores | Ciclo | Período | Curso | Tipo | Créditos | |||||||||
Mestrado Oficial | 2º cuadrimestre |
Primeiro | Optativa | 3 | ||||||||||
|
Temas | Subtemas |
Os contidos desta materia, incluídos na memoria de verificación da titulación, desenvólvense nos cinco temas que se tratan a continuación. Neste primeiro apartado, faise a vinculación do contido da memoria con o tema concreto no que se desenvolve. | Contidos da memoria e temas nos que se desenvolven: - Fundamentos da aprendizaxe automática. Tipos de aprendizaxe, complexidade, xeneralización e sobreadaptación: Tema 1. - Aprendizaxe supervisada. Regresión e clasificación lineal: Tema 2. - Funcións e medidas de erro: Tema 3. - Metodoloxía da formación, avaliación e selección de modelos: Tema 4. - Aprendizaxe supervisada. Técnicas non lineais de clasificación e regresión (redes neuronais artificiais, máquinas de vectores soporte, etc.): Tema 5. |
Tema 1: Fundamentos da aprendizaxe automática | - Características dos sistemas de aprendizaxe. - Tipos de aprendizaxe. - Areas de aplicación e tipos de problemas. - Capacidade de xeneralización e sobreaxuste. - Preparación e limpeza dos datos. - Metodoloxías para proxectos de análise de datos. |
Tema 2: Modelos lineais de aprendizaxe supervisada | - Algoritmos de regresión lineal. - Algoritmos de clasificación lineal. |
Tema 3: Funcións e medidas de erro | - Métricas de erro para os problemas de clasificación. - Métricas de erro para os problemas de regresión. |
Tema 4: Metodoloxía para a análise de resultados | - Métodos de estimación de erros. - Métodos de comparación de dous modelos. - Métodos de comparación de múltiples modelos. |
Tema 5: Modelos non lineais de aprendizaxe supervisada | - K veciños máis próximos. - Árbores de decisión e bosques aleatorios. - Modelos baseados en kernels: máquinas de vectores soporte. - Redes de neuronas artificiais. - Aprendizaxe profunda con redes de neuronas convolucionais. |
|