Grao en Ciencia e Enxeñaría de Datos |
Asignaturas |
Aprendizaje Automático II |
Contenidos |
|
|
Datos Identificativos | 2023/24 | |||||||||||||
Asignatura | Aprendizaje Automático II | Código | 614G02021 | |||||||||||
Titulación |
|
|||||||||||||
Descriptores | Ciclo | Periodo | Curso | Tipo | Créditos | |||||||||
Grado | 1º cuatrimestre |
Tercero | Obligatoria | 6 | ||||||||||
|
Tema | Subtema |
Introducción | ¿Por qué Deep Learning? |
Redes profundas con alimentación hacia delante | Teorema de aproximación universal de las redes de neuronas. Problema del desvanecimiento/explosión del gradiente. Funciones de activación: funciones ReLU. Aprendizaje basado en gradiente. |
Regularización para redes profundas | Términos de penalización basados en la norma de los parámetros. Dropout. Batch Normalization Aumentación de datos. |
Métodos de optimización para el entrenamiento de modelos profundos | Descenso de gradiente estocástico (SGD) Descenso de gradiente estocástico con Momentum Algoritmos con paso de aprendizaje adaptativo Métodos de aprendizaje de segundo orden Estrategias de inicialización de los parámetros |
Redes convolucionales | Capas de convolución Capas de Pooling Arquitecturas Transfer learning con redes preentrenadas |
Residual neural networks (ResNet) | Dense networks |
Redes recurrentes | Redes LSTM Redes GRU |
Autoencoders | Autoenconders convolucionales Denoising Autoencoders |
Modelos probabilísticos/gráficos | Redes bayesianas Modelos de Markov Redes de creencia profundas (Deep Belief Networks) |
Aspectos avanzados del aprendizaje profundo | Attention models Modelos generativos profundos AutoML |
|