| Grao en Ciencia e Enxeñaría de Datos |
 Asignaturas |
| Aprendizaje Automático II |
| Contenidos |
|
|
| Datos Identificativos | 2022/23 | |||||||||||||
| Asignatura | Aprendizaje Automático II | Código | 614G02021 | |||||||||||
| Titulación |
|
|||||||||||||
| Descriptores | Ciclo | Periodo | Curso | Tipo | Créditos | |||||||||
| Grado | 1º cuatrimestre |
Tercero | Obligatoria | 6 | ||||||||||
|
||||||||||||||
| Tema | Subtema |
| Introducción | ¿Por qué Deep Learning? |
| Redes profundas con alimentación hacia delante | Teorema de aproximación universal de las redes de neuronas. Problema del desvanecimiento/explosión del gradiente. Funciones de activación: funciones ReLU. Aprendizaje basado en gradiente. |
| Regularización para redes profundas | Términos de penalización basados en la norma de los parámetros. Dropout. Batch Normalization Aumentación de datos. |
| Métodos de optimización para el entrenamiento de modelos profundos | Descenso de gradiente estocástico (SGD) Descenso de gradiente estocástico con Momentum Algoritmos con paso de aprendizaje adaptativo Métodos de aprendizaje de segundo orden Estrategias de inicialización de los parámetros |
| Redes convolucionales | Capas de convolución Capas de Pooling Arquitecturas Transfer learning con redes preentrenadas |
| Residual neural networks (ResNet) | Dense networks |
| Redes recurrentes | Redes LSTM Redes GRU |
| Autoencoders | Autoenconders convolucionales Denoising Autoencoders |
| Modelos probabilísticos/gráficos | Redes bayesianas Modelos de Markov Redes de creencia profundas (Deep Belief Networks) |
| Aspectos avanzados del aprendizaje profundo | Attention models Modelos generativos profundos AutoML |
|
