En el ámbito de la investigación en Ingeniería, es muy frecuente estar delante de un problema que puede ser visto desde el prisma de un problema de regresión y clasificación y, a menudo, se necesitan modelos complejos para poder resolver el problema que presenta una alta no linealidad. Por ello, es necesario introducir los modelos de aprendizaje automático desde sus dos vertientes supervisado y no supervisado, para poder dotar al alumnado de este curso de la capacidad de construcción y desarrollo de un modelo de Machine Learning.

METODOLOGÍA:
El curso se realizará preferiblemente presencial, apoyándose en herramientas software Matlab.

PONENTE:
Javier Martínez Torres. Profesor del Departamento de Matemática Aplicada I de la Universidad de Vigo, experto en técnicas de Inteligencia Artificial.

LUGAR:
Auditorio Cintecx

PLANIFICACIÓN:
Día 1 (4 horas): Lunes 23 de Mayo – 16:00 – 20:00 horas
Introducción al Desarrollo de modelos de ML. Se estudiará aquellos conceptos básicos del problema de aprendizaje haciendo hincapié regresión y clasificación, para poder desarrollar posteriormente un modelo de Machine Learning en lo que tiene que ver con metodología (train-validation-test), funciones de pérdida, estrategias y algoritmos de entrenamiento, cross validation y métricas de error.

Día 2 (4 horas): Martes 24 de Mayo – 16:00 – 20:00 horas
Modelos No Supervisados. Dentro de la tipología de modelos de ML, los modelos no supervisados son los primeros que se deben abordar en los primeros análisis para poder determinar estructuras, patrones, etc… Así, se abordarán los tres modelos más clásicos dentro de este prisma.

Día 3 (4 horas): Jueves 26 de Mayo – 16:00 – 20:00 horas
Modelos Supervisados y Selección de modelo óptimo. Además de los no supervisados, dentro de la familia de modelos de ML, se pueden encontrar los modelos supervisados que son los que presentan mejores tasas de error. Así, se presentarán los modelos más clásicos dentro de este enfoque enfrentando aquellos que tienen diferente arquitectura y algoritmia. Por último, se estudiará el algoritmo necesario para poder llevar a cabo una comparativa de modelos para la selección del modelo óptimo, minimizando la aleatoriedad de la selección del conjunto de validación.

Día 4 (3 horas): Viernes 27 de Mayo – 16:00 – 19:00 horas
Caso práctico. Se lleva a cabo, en función de las necesidades del público asistente, la elaboración de un caso práctico tanto para un problema de clasificación como de regresión, haciendo hincapié en aquellos problemas recurrentes que suelen aparecer en los casos reales.

Inscripción: https://forms.gle/DXYLbvKAtMgZUJYu5