Los resultados más relevantes que se pretenden alcanzar con el estudio de esta asignatura son los siguientes:

• Identificar y aplicar los métodos de suavizado kernel unidimensionales y la regresión local.

• Identificar y aplicar las funciones de base radial y los modelos de mezclas para la resolución de problemas de regresión.

• Identificar, construir y ajustar árboles generalizados aditivos para regresión y clasificación.

• Identificar y aplicar la familia de métodos basados en prototipos y sus ventajas e inconvenientes.

• Distinguir los fundamentos teóricos de las redes neuronales artificiales y los conceptos de sobreajuste, inicialización y topología.

• Identificar y aplicar modelos basados en redes neuronales artificiales a problemas reales.

• Distinguir la fundamentación teórica del clasificador de vectores soporte y la clasificación de margen máximo.

• Identificar, construir y ajustar máquinas de vectores soporte para clasificación y regresión.

• Identificar y aplicar las distintas familias de métodos de selección de variables, así como los métodos de reducción de dimensionalidad.