banner

Site menu:

Principal >> Cursos Académicos >> Cursos
NOMBRE DEL CURSOMáquinas de Vectores Soporte (SVMs) y Data Mining
NOMBRE DEL MODULOMINERÍA DE DATOS
Nº CRÉDITOS EUROPEOS2 ECTS
COORDINADORJuan Luis Castro Peña
IDIOMAEspañol/Inglés
CARÁCTEROptativo
PROFESORADO
José Manuel Benítez Sánchez 1 ECTS
Juan Luis Castro Peña 1 ECTS
COMPETENCIAS
Se pretende que el alumno sea capaz de:
  • Conocer las bases matemáticas en las que se fundamenta las SVMs.
  • Asimilar los planteamientos seguidos por las SVMs al resolver problemas de clasificación, tanto binaria como multicategoría.
  • Entender los algoritmos para optimizar los parámetros de las SVMs.
  • Comprender como la lógica difusa puede ayudar a extraer el conocimiento contenido en las SVMs.
  • Estudiar las diferentes aplicaciones prácticas en las que se aplican las SVMs.
  • Aplicar SVMs sobre diferentes problemas reales.
METODOLOGÍA DE ENSEÑANZA Y APRENDIZAJE
El sistema de clases es presencial, aunque se pretende el uso intensivo de los recursos de internet para mejorar y potenciar la calidad docente. Para ello profesores y alumnos disponen de un acceso identificado a través de esta web que permite la comunicación directa entre el profesor y el alumno, descarga de material, consultas diversas, foros, realización de encuestas, etc.  Como referencia básica cada ECTS se corresponde con 25 horas de trabajo efectivo del alumno y habitualmente se estructura de la siguiente forma

- 4 horas de clases presenciales
- 4 horas de clases de trabajo práctico en laboratorio
- 17 horas de trabajo del alumno
CRITERIOS Y PROCEDIMIENTOS DE EVALUACIÓN
Asistencia y seguimiento personal. Evaluación de un trabajo realizado y entregado por el alumno a propuesta del profesor
TEMARIO DE TEORÍA
Conceptos de Teoría de Aprendizaje Estadístico 0.4 ECTS
SVMs para clasificación binaria 0.4 ECTS
SVMs para clasificación multicategoría 0.2 ECTS
SVMs y Lógica Difusa 0.5 ECTS
Aplicaciones de las SVMs 0.5 ECTS
TEMARIO DE PRÁCTICAS
  • LIBSVM
  • SVM_light
BIBLIOGRAFÍA
  • John Shawe-Taylor and Nello Cristianini. Kernel Methods for Pattern Analysis. Cambridge University Press, 2004 (http://www.kernel-methods.net)
  • Bernhard Schölkopf, Alex Smola, Learning with Kernels -- Support Vector Machines, Regularization, Optimization and Beyond. MIT Press, Cambridge, MA, 2002
  • Vojislaw Kecman. Learning and Soft Computing: Support Vector Machines, Neural Networks, and Fuzzy Logic Models. The MIT Press, Cambridge, MA, 2001
  • Nello Cristianini and John Shawe-Taylor. An Introduction to Support Vector Machines. Cambridge University Press, Cambridge, UK, 2000.
  • Vladimir Vapnik. Statistical Learning Theory. Wiley, NY, 1998.
Máster: Soft Computing y Sistemas Inteligentes
Mapa Web
sugerencias
Dpto. Ciencias de la Computación e Inteligencia Artificial
E.T.S. Ingeniería Informática y de Telecomunicaciones
Universidad de Granada
 
¡CSS Válido!   Valid XHTML 1.1