Guia docenteCurso Escuela Politécnica de Ingeniería de Ferrol |
Máster Universitario en Informática Industrial e Robótica |
Asignaturas |
Aprendizaje Automático I |
Contenidos |
|
|
Datos Identificativos | 2023/24 | |||||||||||||
Asignatura | Aprendizaje Automático I | Código | 770538016 | |||||||||||
Titulación |
|
|||||||||||||
Descriptores | Ciclo | Periodo | Curso | Tipo | Créditos | |||||||||
Máster Oficial | 2º cuatrimestre |
Primero | Optativa | 3 | ||||||||||
|
Tema | Subtema |
Los contenidos de esta materia, incluida la memoria de verificación del título, se desarrollan en los cinco temas que se comentan a continuación. En este primer apartado, se realiza la vinculación del contenido de la memoria con el tema concreto en el que se desarrolla | Contenidos de la memoria y temas en los que se desarrollan: - Fundamentos del aprendizaje automático. Tipos de aprendizaje, complejidad, generalización y sobreajuste: Tema 1. - Aprendizaje supervisado. Regresión y clasificación lineal: Tema 2. - Funciones y medidas de error: Tema 3. - Metodología de entrenamiento, evaluación y selección de modelos: Tema 4. - Aprendizaje supervisado. Técnicas no lineales para clasificación y regresión (redes de neuronas artificiales, máquinas de vectores soporte, etc.): Tema 5. |
Tema 1: Fundamentos de aprendizaje automático | - Características de los sistemas de aprendizaje. - Tipos de aprendizaje. - Áreas de aplicación e tipos de problemas. - Capacidad de generalización y sobreajuste. - Preparación y limpieza de los datos. - Metodologías para proyectos de análisis de datos. |
Tema 2: Modelos lineales de aprendizaje supervisado | - Algoritmos de regresión lineal. - Algoritmos de clasificación lineal. |
Tema 3: Funciones y medidas de error | - Métricas de error para los problemas de clasificación. - Métricas de error para los problemas de regresión. |
Tema 4: Metodología para el análisis de resultados | - Métodos de estimación del error. - Métodos de comparación de dos modelos. - Métodos de comparación de múltiples modelos. |
Tema 5: Modelos no lineales de aprendizaje supervisado | - K vecinos más cercanos. - Árboles de decisión y bosques aleatorios (random forest). - Modelos basados en kernels: máquinas de vectores soporte. - Redes de neuronas artificiales. - Aprendizaje profundo (deep learning) con redes de neuronas convolucionales. |
|