Datos Identificativos | 2023/24 | |||||||||||||
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 |