El objetivo del curso es, por un lado, mostrar una metodología para la aplicación efectiva de diferentes
métodos de aprendizaje automático, por otro lado, introducir métodos de gran desarrollo en la actualidad, como
redes neuronales profundas. Se introducirán las etapas típicas de modelado, entrenamiento, y evaluación.
Se utilizarán bibliotecas de código abierto para el lenguaje de programación Python a los efectos de aplicar el
conocimiento adquirido sobre diferentes conjuntos de datos disponibles públicamente.
El objetivo del curso es, por un lado, mostrar una metodología para la aplicación efectiva de diferentes
métodos de aprendizaje automático, por otro lado, introducir métodos de gran desarrollo en la actualidad, como
redes neuronales profundas. Se introducirán las etapas típicas de modelado, entrenamiento, y evaluación.
Se utilizarán bibliotecas de código abierto para el lenguaje de programación Python a los efectos de aplicar el
conocimiento adquirido sobre diferentes conjuntos de datos disponibles públicamente.
- Conceptos generales de Aprendizaje Automático: Aprendizaje supervisado y no supervisado.
Clasificación, regresión, clustering. Sesgo y varianza. Preprocesamiento de datos y extracción de
atributos. Atributos discretos y continuos. Atributos faltantes. Medidas de evaluación. Experimentación con
bibliotecas para análisis y procesamiento de datos en Python.
- Introducción a Redes Neuronales:Arquitectura clásica Feed Forward, conceptos básicos (neuronas, capas,
función de activación, backpropagation, etc.).
- Modelado y aplicación de redes neuronales profundas con Python: Aplicaciones de redes neuronales
profundas a diferentes dominios, como procesamiento de lenguaje y de imágenes. Introducción de
arquitecturas avanzadas: redes convolucionales, redes recurrentes y transformers.
Informe del proyecto final (grupal).
Prueba escrita individual.