- Ciencias de la Computación
- 0 (registrado)
La asignatura “Aprendizaje Automático” está enfocada principalmente al estudio de aplicaciones inteligentes que se aprenden a partir del análisis de un conjunto datos. Nuestro objetivo es que una vez superada esta asignatura, seas capaz de construir modelos predictivos, aprendidos a partir del análisis de conjuntos de datos, y con estos modelos aprendidos poder desarrollar y poner en funcionamiento aplicaciones inteligentes. Por poner solo algunos ejemplos relevantes: desde tareas simples como detección de correo SPAM, hasta análisis de sentimientos en redes sociales o diagnostico y tratamiento de enfermedades.
En la asignatura, el módulo principal consistirá en el estudio de diversos modelos predictivos y en algoritmos de aprendizaje de los mismos. Este módulo se complementará con otros para estudiar las técnicas de evaluación y selección de los mejores modelos, técnicas de preprocesamiento de los datos, y finalmente cuestiones relacionadas con la puesta en marcha de aplicaciones basadas en aprendizaje automático. Seguiremos un estilo principalmente basado en ejercicios prácticos y el desarrollo de mini-proyectos, pero sin olvidar los fundamentos. Y nuestro sistema de cabecera será la biblioteca scikit-learn del lenguaje Python.
Esperamos alumnos motivados e interesados en sacar partido a la ingente cantidad de datos que se generan día a día en numerosos aspectos de la vida diaria, y que quieran aprovechar el reciente auge de todas estas técnicas, para la creación de sistemas inteligentes e incluso puesta en marcha de ideas de negocio. De hecho, ten en cuenta que las principales empresas tecnológicas que han revolucionado la manera de interactuar con sus usuarios (como Google, Netflix, Amazon o Facebook, por poner solo algunos ejemplos), lo hacen basándose principalmente en la Inteligencia Artificial y en concreto en el Aprendizaje Automático.
Contenidos
-
Tema 1. Introducción al aprendizaje automático
-
Tema 2. Aprendizaje basado en instancias
-
Lecture2.1
-
Lecture2.2
-
Lecture2.3
-
Lecture2.4
-
Lecture2.5
-
-
Tema 3: Modelos lineales para regresión
-
Lecture3.1
-
Lecture3.2
-
Lecture3.3
-
Lecture3.4
-
Lecture3.5
-
Lecture3.6
-
-
Tema 4: Modelos lineales para clasificación
-
Lecture4.1
-
Lecture4.2
-
Lecture4.3
-
Lecture4.4
-
Lecture4.5
-
Lecture4.6
-
Lecture4.7
-
Lecture4.8
-
Lecture4.9
-
Lecture4.10
-
Lecture4.11
-
Lecture4.12
-
-
Tema 5: Introducción a las redes neuronales
-
Lecture5.1
-
Lecture5.2
-
Lecture5.3
-
Lecture5.4
-
-
Tema 6: Modelos probabilisticos (Naive-Bayes)
-
Lecture6.1
-
Lecture6.2
-
Lecture6.3
-
Lecture6.4
-
Lecture6.5
-
Lecture6.6
-
Lecture6.7
-
Lecture6.8
-
Lecture6.9
-
-
Tema 7: Árboles de decisión y ensemble learning
-
Lecture7.1
-
Lecture7.2
-
Lecture7.3
-
Lecture7.4
-
Lecture7.5
-
Lecture7.6
-
Lecture7.7
-
Lecture7.8
-
Lecture7.9
-
Lecture7.10
-
Lecture7.11
-
-
Tema 8: Preprocesado e ingeniería de características
-
Lecture8.1
-
Lecture8.2
-
Lecture8.3
-
Lecture8.4
-
Lecture8.5
-
Lecture8.6
-
Lecture8.7
-
Lecture8.8
-
-
Tema 9: Evaluación de modelos
-
Lecture9.1
-
Lecture9.2
-
Lecture9.3
-
Lecture9.4
-
Lecture9.5
-
Lecture9.6
-
Lecture9.7
-
Lecture9.8
-
Lecture9.9
-
Lecture9.10
-
Lecture9.11
-
-
Tema 10: Integración y desarrollo de una aplicación de aprendizaje automático. Casos de empresa
-
Lecture10.1
-
Lecture10.2
-
Lecture10.3
-
Lecture10.4
-