Datos Identificativos | 2024/25 | |||||||||||||
Asignatura | Modelos Avanzados de Aprendizaxe Automática I | Código | 614G03021 | |||||||||||
Titulación |
|
|||||||||||||
Descriptores | Ciclo | Período | Curso | Tipo | Créditos | |||||||||
Grao | 1º cuadrimestre |
Terceiro | Optativa | 6 | ||||||||||
|
Temas | Subtemas |
Modelos Avanzados para Clasificación e Regresión | Variantes de redes neuronais Variantes de SVM Variantes de Árbores de Decisión Modelos híbridos Modelos avanzados de Regresión Aprendizaxe bayesiana |
Modelos probabilísticos dinámicos | Introdución Modelos de Markov |
Reducción de Dimensionalidade | Selección de modelos Principle Componen Analysis(PCA) e as suas variantes Análisis discriminante lineal (LDA), Análise da correlación canónica (CCA) Independent Component Analysis (ICA) Reducciónss para representación (ISOMap, t-SNE, proxeccións de Samson ...) |
Modedos Ensemble | Variantes de ensemble máis habituais Random Forest Bagging e as suas variantes máis habituáis Boosting e sus variantes máis habituáis (AdaBoost, LightGBM, XGBoost, CatBoost, ...) |
Aprendizaxe Multitarefa | Hard Sharing Parameters Soft Sharing Paramters Tipos de aprendizaxe Multitarefa Medidas de rendimento Balanceo de erros |