Aprendizaxe Automática II / Machine Learning II

Código:
Acrónimo: ML2
Nome: Aprendizaxe Automática II / Machine Learning II
Centro: E. S. de Enxeñaría Informática
Titulación: Máster Universitario en Intelixencia Artificial
Curso: 1º Curso
Período: Segundo cuadrimestre
Tipo: Optativa
Créditos: 3
Resultados de aprendizaxe:

– Capacidade de identificar se un problema pode resolverse mediante unha técnica de aprendizaxe automática
– Obter capacidade para elixir a técnica de aprendizaxe máis adecuada a un problema dependendo da natureza dos datos
– Capacidade de deseñar e desenvolver un modelo de aprendizaxe nunha contorna de programación real
– Dominar os diferentes modelos de aprendizaxe e poder aplicalos a problemas do mundo real
– Coñecer e comprender a diferenza entre problemas de clasificación e regresión
– Entender como comparar os resultados dos diferentes tipos de aprendizaxe automática
– Comprender o funcionamento das Redes de Neuronas Artificiais.
– Capacidade para deseñar arquitecturas Deep Learning.
– Ser capaz de obter modelos capaces de facer clasificación de patróns e recoñecemento de imaxes
– Ser capaz de visualizar e analizar a información de aprendizaxe dunha arquitectura Deep Learning.
– Adquirir os coñecementos sobre o funcionamento das principais técnicas de aprendizaxe incremental.
– Aplicar técnicas de aprendizaxe incremental para a análise de datos en tempo real en contornas estacionarios e non estacionarios.
– Coñecer o principio de funcionamento das principais paradigmas de aprendizaxe con preservación da privacidade.
– Coñecer as técnicas que permiten o deseño de técnicas de IA escalables a nivel software e de recursos hardware
– Adquirir as competencias que permitan integran gran volume e variedade de datos en proxectos de Big Data en IA
– Coñecer as paradigmas de escalabilidad en algoritmos de aprendizaxe automática
– Comprender, analizar e deseñar as infraestruturas necesarias para proxectos de IA en BigData: contorna local/nube e equipamento físico/virtual con sistemas de almacenamento de baixa latencia e sistemas de ficheiros distribuídos.
– Coñecer as linguaxes, frameworks e compoñentes que nos permiten incrementar o rendemento nas infraestruturas hardware con CPU e GPU.
– Coñecer as técnicas que permiten, con baixa latencia, a visualización de datos en contornas con gran volume de información.
– Usar e poder aplicar os KPI correctos en cada contorna
– Coñecer os conceptos básicos de computación evolutiva, de algoritmos evolutivos clásicos e de algoritmos bio-inspirados.
– Ter capacidade para deseñar modelos bioinspirados e de sistemas complexos de sistemas reais
– Coñecer e aplicar técnicas baseadas en sistemas evolutivos, redes de neuronas artificiais avanzadas e outros modelos bioinspirados
– Identificar as técnicas apropiadas de procura de solucións baseadas en datos segundo o tipo de problema. Entender as diferentes posibilidades de combinación ou hibridación entre métodos de procura global evolutiva e outras metaheurísticas de procura local.
– Coñecer diferentes modelos adaptativos bio-inspirados e manexar as ferramentas e contornas de traballo máis actuais no ámbito dos algoritmos bioinspirados.

Departamento:
Profesor responsable:
Guía docente: Enlace a DocNet