Aprenentatge Automàtic

Fonaments teòrics i pràctics dels principals algoritmes de machine learning, des de la regressió fins als sistemes de recomanació.

• Aprenentatge supervisat: Regressió lineal, logística i els fonaments d’aprendre a partir de dades etiquetades.
• Mètriques d’avaluació: R², precisió, recall, F1 i altres mètriques per mesurar el rendiment dels models.
• Xarxes neuronals: Del perceptró al deep learning, arquitectura i entrenament de xarxes multicapa.
• Guia d’aplicació i diagnòstic: Tècniques de diagnòstic matemàtic per identificar i resoldre problemes en models.
• Arbres de decisió: Classificació basada en particions recursives de l’espai de features.
• K-veïns més propers: Classificació per similitud amb els exemples d’entrenament més propers.
• Aprenentatge no supervisat: Clustering, detecció d’anomalies i reducció de dimensionalitat sense etiquetes.
• Recomanadors: Sistemes per predir preferències d’usuaris amb filtrat col·laboratiu.
• Metodologia pràctica: Guia de decisió per triar algoritmes i estructurar projectes de ML.