La asignatura, desde un enfoque teórico/práctico, presenta a los alumnos las técnicas más importantes de reconocimiento de patrones, reducción de la dimensionalidad, agrupación de datos y combinación de clasificadores. La parte práctica de la asignatura permitirá a los alumnos aprender a evitar los errores más comunes en el uso de algoritmos de clasificación.
Profesores: Dr. Alfredo Cuesta
Índice de la asignatura
Primera parte – Fundamentos del aprendizaje automático (Machine Learning, ML)
- Tema 1. Conceptos fundamentales
- Tema 2. Proyecto ML de principio a fin
- Tema 3. La tarea de clasificación en detalle (I)
- Tema 4. La tarea de clasificación en detalle (II)
- Tema 5. Máquinas de vectores soporte
- Tema 6. Árboles de decisión
- Tema 7. Interpretación probabilista del ML (I)
- Tema 8. Interpretación probabilista del ML (II)
- Tema 9. Combinación de clasificadores
- Tema 10. Reducción de la dimensionalidad
Segunda parte – Redes neuronales y aprendizaje profundo (Deep Learning, DL)
- Tema 1. Redes neuronales densamente conexas y principios básicos
- Tema 2. Redes convolucionales y nuevos elementos que aparecen con ellas
- Tema 3. Autoencoders
- Tema 4. Redes de segmentación
- Tema 5. Redes de detección
- Tema 6. Redes siamesas
- Tema 7. Redes generativas adversas
- Tema 8. Vanguardia en DL