Accesos directos a las distintas zonas del curso
Ir a los contenidos
Ir a menú navegación principal
Ir a menú pie de página
Subject's code : 31110037
En este bloque se dará una introducción al aprendizaje automático en su tres vertientes: supervisado, no supervisado y semi-supervisado. Se tratarán con cierto detalle algunos algoritmos básicos de aprendizaje no supervisado y supervisado y su implementación con scikit-learn y otras herramientas.
En el curso virtual se dispone de un vídeo de introducción al módulo.
Tema 1 Introducción al Aprendizaje Automático - Introducción - Tipos de sistemas de Aprendizaje Automático - Principales desafíos del Aprendizaje Automático - Testeo y validación
Tema 2 Introducción a las Herramientas a utilizar - Instalación de las principales herramientas. - Introducción a Numpy - Introducción a Pandas - Introducción a Matplotlib - Introducción a Scikit-learn - Introducción a la metodología de los proyectos de Aprendizaje Automático
Tema 3 Métodos simples de Aprendizaje Automático Supervisado - Naive Bayes - k-Nearest-Neighbors - Árboles de decisión
Tema 4 Métodos simples de Aprendizaje Automático No-Supervisado y Semi-supervisado - Técnicas de agrupamiento: K-means y DBSCAN - Modelos de mezclas gaussianas - Kernel density - Propagación y extensión de etiquetas
Los contenidos del módulo son introductorios y no tienen una dificultad elevada, siendo sencillos su estudio.
En este bloque se dará una introducción a la selección de variables y reducción de la dimensionalidad, las principales técnicas para su implementación y ejemplos de uso con scikit-learn.
Tema 5 Selección de variables y reducción de dimensionalidad - Ingeniería de características (variables) - Introducción a la reducción de la dimensionalidad - Análisis de componentes principales - Otras técnicas de reducción de dimensionalidad
Los contenidos del tema tienen una dificultad media ya que necesitan de conocimientos matemáticos para su perfecta comprensión, estos conocimientos se imparten en las titulaciones de acceso al Máster.
En este bloque se dará una introducción a la teoría de las redes neuronales, su implementación usando Keras sobre TensorFlow, aspectos prácticos del uso de redes neuronales y ejemplos de clasificación y regresión.
Tema 6 Introducción a las redes neuronales - De las neuronas naturales a las artificiales - El perceptrón - El perceptrón multicapa y la retropropagación del gradiente - Regresión y clasificación con perceptrones multicapa
Tema 7 Aspectos prácticos del uso de perceptrones multicapa - Instalación de las herramientas a utilizar - Introducción a Tensonflow y Keras - Ejemplos de regresión y clasificación con Keras - Uso avanzado de Keras: creación de subclases y uso de callbacks - Uso de Tensorboard para visualización - Ajuste fino de hiperparámetros
En este bloque se dará una introducción a la teoría de las máquinas de vectores soporte, su implementación usando scikit-learn y su uso para claisificación lineal, no-lineal y regresión.
Tema 8 Máquinas de vectores soporte - Clasificación lineal - Clasificación no-lineal - Regresión - Fundamentos matemáticos
