|
|
Plan Formación PDI. TECNOLOGÍA Y COMUNICACIÓN (TI)
|
INICIACIÓN AL MACHINE LEARNING PARA INVESTIGADORES (Código 695)
|
|
Modalidad:
Semipresencial
|
Plazas:
26
|
Duración:
18 horas
|
Fecha inscripción:
08/03/19
al 09/03/19
|
Fechas de realización:
La actividad formativa comprende desde el 05/04/2019 hasta 17/05/2019
Sesiones presenciales El 05/04/19 de 09:30 a 12:30 h. , se impartirá en Laboratorio 2.3 de la Facultad de Informática. El 12/04/19 de 09:30 a 12:30 h. , se impartirá en Laboratorio 2.3 de la Facultad de Informática. El 03/05/19 de 09:30 a 12:30 h. , se impartirá en Laboratorio 2.3 de la Facultad de Informática. El 17/05/19 de 09:30 a 12:30 h. , se impartirá en Laboratorio 2.3 de la Facultad de Informática.
|
Destinatarios
- Personal Docente e Investigador de la Facultad de Informática de la Universidad de Murcia
Competencias
- Aurora González Vidal
- Utilizar con fluidez la consola de R y su interfaz Rstudio. - Elaborar procedimientos de trabajo con R. - Aprovechar las capacidades de R para generar documentos de investigación reproducible: markdown y knitr. - Utilizar los argumentos y funciones básicas del paquete caret de R para validar modelos de machine learning.
Jose Tomás Palma Méndez
- Aprender y comprender las diferentes técnicas de agrupamiento (Clastering) - Ser capaz de aplicar correctamente las diferentes técnicas y entender los resultados de las mismas - Ser capaz de evaluar las particiones obtenidas y poder decidir qué técnica da mejores resultados.
Francisco Javier Marín-Blázquez Gómez
- Aprender los fundamentos del aprendizaje supervisado - Entender la problemática del método científico experimental en el contexto del machine learning - Aprender a diseñar experimentos - Entender modelos y heurísticas relacionadas con árboles de decisión
Juan A. Botía Blaya
- Entender los fundamentos en los modelos de red neuronal artificial y modelos de Deep learning - Comprender el algoritmo básico de entrenamiento de parámetros de modelos de redes deep - Entender y aplicar control de overfitting - Fundamentos software en redes de convolución
Lorenzo Fernández Maimó
- Conocer las Arquitecturas hardware GPU y entender su papel en el Deep learning
Contenidos del curso
Aurora González Vidal
- Sintaxis del lenguaje R. Valores, operadores, funciones y objetos en R: vectores, matrices, dataframes y listas. Ayudas y documentación en R. La interfaz Rstudio. - Los lenguajes de marcas y markdown. Edición de documentos con markdown usando Rstudio. - Principios del paquete caret para crear modelos de machine learning. Métodos de validación para los modelos.
Jose Tomás Palma Méndez
- Introducción a las técnicas de clustering - Clustering jerárquico - Clustering Particional
Francisco Javier Marín-Blázquez Gómez
- Introducción al diseño de experimentos de machine learning - Introducción al aprendizaje de árboles y bosques de decisión - Caret como mecanismo de optimización de hyper-parámetros
Juan A. Botía Blaya
- Introducción a los modelos de red neuronal artificial y modelos de Deep learning - Algoritmos de entrenamiento y enfoques para la evaluación. Control de overfitting - Introducción a las redes de convolución
Lorenzo Fernández Maimó
- Arquitecturas GPU para optimización del proceso de entrenamiento de redes deep
Metodología del curso
- La metodología docente viene marcada por la propia temática del curso. Se basará en la ejecución de determinados guiones de prácticas en formato ejecutable interactivo mediante scripts R y datos reales (i.e. formato Markdown de notebooks para cálculo científico). Se plantearán problemas de resolución autónoma en el aula a partir de dichos guiones.
Se plantearán problemas de resolución autónoma para resolución fuera del aula. Estos serán la base para la evaluación final.
Evaluación
- La evaluación de la acción formativa consistirá en la asistencia obligatoria a las sesiones presenciales, la realización y entrega de las tareas (guiones) requeridos por el personal formador, así como la cumplimentación del cuestionario de satisfacción con la acción formativa.
|
Ver en formato PDF
|
|
|
|