|
Guía DocenteCurso Facultade de Informática |
| Grao en Ciencia e Enxeñaría de Datos |
 Asignaturas |
| Aprendizaxe Automática II |
| Contidos |
|
|
| Datos Identificativos | 2021/22 | |||||||||||||
| Asignatura | Aprendizaxe Automática II | Código | 614G02021 | |||||||||||
| Titulación |
|
|||||||||||||
| Descriptores | Ciclo | Período | Curso | Tipo | Créditos | |||||||||
| Grao | 1º cuadrimestre |
Terceiro | Obrigatoria | 6 | ||||||||||
|
||||||||||||||
| Temas | Subtemas |
| Introducción | ¿Por qué Deep Learning? |
| Redes profundas con alimentación hacia diante | Teorema de aproximación universal das redes de neuronas. Problema do desvanecimiento/explosión do gradiente. Funcións de activación: funcións ReLU. Aprendizaxe basada en gradiente. |
| Regularización para redes profundas | Términos de penalización baseados na norma dos parámetros Dropout Batch Normalization Aumentación de datos |
| Métodos de optimización para o adestramento de modelos profundos | Descenso de gradiente estocástico (SGD) Descenso de gradiente estocástico con Momentum Algoritmos con paso de aprendizaxe adaptativo Métodos de aprendizaxe de segundo orden Estratexias de inicialización dos parámetros |
| Redes convolucionais | Capas de convolución Capas de Pooling Arquitecturas Transfer learning con redes preadestradas |
| Residual neural networks (ResNet) | Dense Networks |
| Redes recurrentes | Redes LSTM Redes GRU |
| Autoencoders | Autoenconders convolucionais Denoising Autoencoders |
| Modelos probabilísticos/gráficos | Redes bayesianas Modelos de Markov Redes de crenza profundas (Deep Belief Networks) |
| Aspectos avanzados da aprendizaxe profunda | Attention models Modelos xenerativos profundos AutoML |
|
