Contidos básicos de Sistemas de Aprendizaxe Automáticos conforme ao Real Decreto 279/2021, de 20 de abril

Caracterización de la Inteligencia Artificial fuerte y débil

• Inteligencia Artificial Débil:

• Características y aplicaciones.
• Ventajas e inconvenientes.
• Usos y posibilidades.

• Inteligencia Artificial Fuerte:

• Características y aplicaciones.
• Ventajas e inconvenientes.
• Usos y posibilidades.

Determinación de sistemas de aprendizaje automático (Machine Learning)

• Clasificación de sistemas de aprendizaje automático. Supervisado y no supervisado.
• Principales técnicas para desarrollar aprendizaje automático: Redes neuronales, Aprendizaje inductivo, Razonamiento basado en casos, entre otros.
• Algoritmos o modelos aplicados al aprendizaje automático:

• Algoritmos de clasificación.
• Algoritmos de detección de anomalías.
• Algoritmos de regresión.
• Algoritmos de clustering.
• Algoritmos de refuerzo del aprendizaje.
• Árboles y reglas de decisión.
• Otros algoritmos relacionados con el aprendizaje automático.

• Procedimientos del Machine Learning: Datos, identifica patrones y toma decisiones.
• Herramientas de. Aprendizaje automático.
• Aplicaciones del Machine Learning.

Algoritmos aplicados al aprendizaje supervisado y optimización del modelo

• Determinación de elementos y herramientas de aprendizaje supervisado.
• Datos etiquetados.
• Variables de entrada (input data). Etiquetas de salida.
• Plataformas de aprendizaje automático supervisado.
• Fases del aprendizaje automático:

• Selección del algoritmo de aprendizaje supervisado.
• Selección de datos.
• Construcción del modelo.
• Validación del modelo.
• Ajuste de características o parámetros.
• Implementación del modelo propuesto.
• Verificación del modelo de prueba.
• Optimización del modelo.

Aplicación de técnicas de aprendizaje no supervisado

• Técnicas de aprendizaje no supervisado
• Algoritmos de aprendizaje no supervisado. Agrupación de cluster, Reducción de dimensión, entre otros.
• Determinación de elementos y herramientas de Aprendizaje no supervisado.
• Plataformas de aprendizaje automático no supervisado.
• Fases del aprendizaje automático no supervisado.

Aplicación de modelos computacionales de redes neuronales y comparación con otros modelos

• Aprendizaje automático frente a aprendizaje profundo.
• Cómo aprende una red neuronal.
• Modelos de redes neuronales artificiales: Redes neuronales convolucionales (CNN).

Valoración de la calidad de los resultados obtenidos en la práctica con sistemas de aprendizaje automático

• Capacidad de generalización.
• Test.
• Validación.
• Matriz de confusión