|
Tema 1- Fundamentos
Motivación, Principios básicos, Aproximaciones, Aprendizaje, Aplicaciones.
Tema 2 - Ciclo de diseño de un clasificador
Recolección de datos, Elección de características, Elección de modelo, Ajuste/Entrenamiento del Clasificador, Evaluación (métricas y técnicas).Clasificador Naive Bayes.
Tema 3- Técnicas de aprendizaje supervisado paramétricas. Regresión lineal y logística.
Tema 4- Técnicas de clasificación supervisada no paramétrica.
Fundamentos. Clasificadores por vecindad.
Tema 5- Evaluación y selección de modelos
Técnicas de estimación: Validación cruzada, hold-out, bootstrap, Comparación de modelos, Métricas de rendimiento en clasificación,Otras métricas de modelos predictivos: error cuadrático, estándar.
Tema 6- Redes Neuronales artificiales.
Introducción, Topología y funciones de activación, El perceptron simple, La red Adaline, Perceptron multicapa (MLP).
Tema 7-Preprocesado.Detección de datos anómalos. Muestras perdidas. Integración y normalización de datos. Transformación de datos. Selección y extracción de características.
Tema 8- Aprendizaje no supervisado
Introducción, Espacio, distancia y similitud, Técnicas de particionamiento y aglomerativas, Método de los centroides (K-means).
Tema 9- Máquinas de Vectores soporte (SVM). Árboles de decisión.
Trabajo- Aplicaciones prácticas
Aplicación de los Sistemas Inteligentes en Bioinformática, Sistemas de recuperación de información, Detección de correo electrónico no deseado, Procesamiento del lenguaje natural, Análisis de sentimientos y datos de opinión, Reconocimiento biométrico, Procesos de Diseño, Entornos de fabricación, Entornos industriales y medioambientales, Quimiometría, Laboratorios inteligentes,Modelos de predicción de cancer,Ciberseguridad.
Prácticas
Introducción al Matlab
Implementación y Evaluación de clasificadores
Evaluación del Rendimiento de modelos de predicción
Preprocesado de Datos
Entrenamiento y Selección de clasificadores neuronales, SVM.
Implementación de estrategias de aprendizaje no supervisado
|
