Aprendizaje Automático II / Machine Learning II

Código:
Acrónimo: ML2
Nombre: Aprendizaje Automático II / Machine Learning II
Centro: E. S. de Enxeñaría Informática
Titulación: Máster Universitario en Inteligencia Artificial
Curso: 1º Curso
Periodo: Segundo cuatrimestre
Tipo: Optativa
Créditos: 3
Resultados del aprendizaje:

– Capacidad de identificar si un problema puede resolverse mediante una técnica de aprendizaje automático
– Obtener capacidad para elegir la técnica de aprendizaje más adecuado a un problema dependiendo de la naturaleza de los datos
– Capacidad de diseñar y desarrollar un modelo de aprendizaje en un entorno de programación real
– Dominar los diferentes modelos de aprendizaje y poder aplicarlos a problemas del mundo real
– Conocer y comprender la diferencia entre problemas de clasificación y regresión
– Entender como comparar los resultados de los diferentes tipos de aprendizaje automático
– Comprender el funcionamiento de las Redes de Neuronas Artificiales.
– Capacidad para diseñar arquitecturas Deep Learning.
– Ser capaz de obtener modelos capaces de hacer clasificación de patrones y reconocimiento de imágenes
101
– Ser capaz de visualizar y analizar la información de aprendizaje de una arquitectura Deep Learning.
– Adquirir los conocimientos sobre el funcionamiento de las principales técnicas de aprendizaje incremental.
– Aplicar técnicas de aprendizaje incremental para el análisis de datos en tiempo real en entornos estacionarios y no estacionarios.
– Conocer el principio de funcionamiento de los principales paradigmas de aprendizaje con preservación de la privacidad.
– Conocer las técnicas que permiten el diseño de técnicas de IA escalables a nivel software y de recursos hardware
– Adquirir las competencias que permitan integran gran volumen y variedad de datos en proyectos de Big Data en IA
– Conocer los paradigmas de escalabilidad en algoritmos de aprendizaje automático
– Comprender, analizar y diseñar las infraestructuras necesarias para proyectos de IA en BigData: entorno local/nube y equipamiento físico/virtual con sistemas de almacenamiento de baja latencia y sistemas de ficheros distribuidos.
– Conocer los lenguajes, frameworks y componentes que nos permiten incrementar el rendimiento en las infraestructuras hardware con CPU y GPU.
– Conocer las técnicas que permiten, con baja latencia, la visualización de datos en entornos con gran volumen de información.
– Usar y poder aplicar los KPI correctos en cada entorno
– Conocer los conceptos básicos de computación evolutiva, de algoritmos evolutivos clásicos y de algoritmos bio-inspirados.
– Tener capacidad para diseñar modelos bioinspirados y de sistemas complejos de sistemas reales
– Conocer y aplicar técnicas basadas en sistemas evolutivos, redes de neuronas artificiales avanzadas y otros modelos bioinspirados
– Identificar las técnicas apropiadas de búsqueda de soluciones basadas en datos según el tipo de problema. Entender las diferentes posibilidades de combinación o hibridación entre métodos de búsqueda global evolutiva y otras metaheurísticas de búsqueda local.
– Conocer diferentes modelos adaptativos bio-inspirados y manejar las herramientas y entornos de trabajo más actuales en el ámbito de los algoritmos bioinspirados.

Departamento:
Profesores responsables:
Guía docente: Enlace a DocNet