|
Guia docenteCurso Escuela Universitaria Politécnica |
| Máster Universitario en Informática Industrial e Robótica |
 Asignaturas |
| Aprendizaje Automático I |
| Contenidos |
|
|
| Datos Identificativos | 2022/23 | |||||||||||||
| Asignatura | Aprendizaje Automático I | Código | 770538016 | |||||||||||
| Titulación |
|
|||||||||||||
| Descriptores | Ciclo | Periodo | Curso | Tipo | Créditos | |||||||||
| Máster Oficial | 2º cuatrimestre |
Primero | Optativa | 3 | ||||||||||
|
||||||||||||||
| Tema | Subtema |
| 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. |
|
