| Bloque I: INTRODUCCIÓN A LOS SISTEMAS INTELIGENTES. |
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 PARAMÉTRICAS.
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: OTROS MODELOS DE CLASIFICACIÓN.
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, Detección de noticias falsas, Detección de contenido inapropiado, Análisis de música, Análisis de sentimientos y datos de opinión, Reconocimiento biométrico, Entornos de fabricación, Entornos industriales y medioambientales, Quimiometría, Laboratorios inteligentes, Modelos de predicción de cancer, Ciberseguridad.
|
