Datos Identificativos | 2017/18 | |||||||||||||
Asignatura | Intelixencia computacional para bioinformática | Código | 614522012 | |||||||||||
Titulación |
|
|||||||||||||
Descriptores | Ciclo | Período | Curso | Tipo | Créditos | |||||||||
Mestrado Oficial | 2º cuadrimestre |
Primeiro | Obrigatoria | 6 | ||||||||||
|
Temas | Subtemas |
TEMA 1: Introducción al aprendizaje | 1.1. Areas de aplicación y tipos de problemas 1.2. Características de los sistemas de aprendizaje 1.3. Perspectiva general de las distintas aproximaciones y tipos de aprendizaje |
TEMA 2: Teoría del aprendizaje computacional: estimación del error real, dimensión V-C |
2.1. El problema de la precisión. 2.2. La dimensión Vapnik-Chervonenkis 2.3. La maldición de la dimensionalidad |
TEMA 3: Aprendizaje estadístico | 3.1. El discriminante lineal de Fisher 3.2. Otros tipos de discriminantes 3.3. Análisis cluster |
TEMA 4: Aprendizaje basado en árboles de decisión | 4.1. Objetivo de la IA simbólica 4.2. Generalidades de los algoritmos de aprendizaje en IA simbólica 4.3. Listas de decisión 4.4. Inducción de reglas (AQ) 4.5. Árboles de decisión (Quinlan) 4.6. Medidas de rendimiento: entropía e información mutua |
TEMA 5: Redes de neuronas artificiales | 5.1. Conceptos básicos 5.2. El Perceptrón multicapa 5.3. Otros modelos |
TEMA 6: Aprendizaje basado en kernels | 6.1. Nomenclatura y definiciones previas 6.2. SVMs lineales 6.3. SVMs no lineales |
TEMA 7: Métodos de aprendizaje no supervisados | . |
TEMA 8: Aprendizaje semisupervisado. | 8.1 Aprendizaje por refuerzo |
TEMA 9: Métodos de reducción de la dimensión | 9.1. Extracción de características 9.2. Selección de características |
TEMA 10: Metodología experimental y análisis de resultados | 10.1. Diseño experimental 10.2. Preprocesado de datos 10.3. Métodos para la estimación del error 10.4. Métodos de selección de modelos |