Datos Identificativos | 2020/21 | |||||||||||||
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 á aprendizaxe | 1.1. Areas de aplicación e tipos de problemas 1.2. Características dos sistemas de aprendizaxe 1.3. Perspectiva xeral das distintas aproximacións e tipos de aprendizaxe |
TEMA 2: Teoría da aprendizaxe computacional | 2.1. O problema da precisión. 2.2. A dimensión Vapnik-Chervonenkis 2.3. A maldición da dimensionalidade |
TEMA 3: Aprendizaxe estatística | 3.1. O discriminante lineal de Fisher 3.2. Outros tipos de discriminantes |
TEMA 4: Aprendizaxe baseada en árboles e reglas de decisión | 4.1. Obxetivo da IA simbólica 4.2. Xeneralidades dos algoritmos de aprendizaxe en IA simbólica 4.3. Listas de decisión 4.4. Inducción de reglas 4.5. Árboles de decisión 4.6. Medidas de rendimiento: entropía e información mutua |
TEMA 5: Redes de neuronas artificiais | 5.1. Conceptos básicos 5.2. O Perceptrón multicapa 5.3. Outros modelos |
TEMA 6: Aprendizaxe baseada en kernels | 6.1. Nomenclatura e definicións previas 6.2. SVMs lineais 6.3. SVMs non lineais 6.4. SVM Multiclase |
TEMA 7: Métodos de aprendizaxe non supervisados | 7.1. Análisis cluster 7.2. Análisis cluster xerárquico 7.3. Análisis cluster iterativo 7.4. Mapas autoorganizativos |
TEMA 8: Aprendizaxe semisupervisada. | 8.1 Aprendizaxe por reforzo |
TEMA 9: Métodos de reducción da dimensión | 9.1. Extracción de características 9.2. Selección de características |
TEMA 10: Metodoloxía experimental e análise de resultados | 10.1. Diseño experimental 10.2. Preprocesado de datos 10.3. Métodos para a estimación do error 10.4. Métodos de selección de modelos |