Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Trabajando Con Redes Neuronales y Deep Learning
Trabajando Con Redes Neuronales y Deep Learning
Objetivos
Descripción
Pandas).
• de
© Universidad Internacional 2.8.
La Importación
Rioja (UNIR) de datos.
• 2.9. Introducción a Machine Learning con librerías en Python.
▸ Tema 5: “Redes neuronales artificiales”, especialmente:
• 5.7. Aplicaciones y ejemplos de implementación.
▸ Tema 6: “Deep Learning”, especialmente:
1
Actividades
Asignatura Datos del alumno Fecha
Técnicas de inteligencia Apellidos:
Artificial Nombre:
2
Actividades
Asignatura Datos del alumno Fecha
Técnicas de inteligencia Apellidos:
Artificial Nombre:
Puedes elegir libremente cómo repartes las 4 páginas de extensión del informe para
cada uno de los apartados.
APARTADO A (Regresión)
3
Actividades
Asignatura Datos del alumno Fecha
Técnicas de inteligencia Apellidos:
Artificial Nombre:
4
Actividades
Asignatura Datos del alumno Fecha
Técnicas de inteligencia Apellidos:
Artificial Nombre:
y comparada/superpuesta.
• Discusión de los resultados obtenidos y argumentos sobre cómo mejorar de
dichos resultados.
APARTADO B (Clasificación)
▸ Seguimos, de forma análoga, con el ejercicio de clasificación. En primer lugar, has
de elegir un dataset de acceso público y disponible online. El dataset ha de ser
apropiado para aplicar diferentes técnicas de clasificación y compararlas entre sí.
▸ Puedes elegir un dataset en Kaggle, OpenML o Google Dataset Search. De nuevo,
© Universidad Internacional de La Rioja (UNIR)
otras fuentes de datos son posibles, siempre que sean de acceso público y estén
disponibles online sin necesidad de autenticarse, pues habrás de indicar dicha
fuente y se comprobará su accesibilidad para evaluar la actividad.
5
Actividades
Asignatura Datos del alumno Fecha
Técnicas de inteligencia Apellidos:
Artificial Nombre:
6
Actividades
Asignatura Datos del alumno Fecha
Técnicas de inteligencia Apellidos:
Artificial Nombre:
7
Actividades
Asignatura Datos del alumno Fecha
Técnicas de inteligencia Apellidos:
Artificial Nombre:
Rúbrica
Actividad:
Trabajando con Puntuación
Peso
redes Descripción máxima
%
neuronales y (puntos)
Deep Learning
Criterio 1. El dataset escogido para la aplicar la
regresión cumple los requisitos mínimos
Elección de
especificados y el alumno lo demuestra
1 10 %
dataset para la en su análisis
regresión
Criterio 2. El código Python utilizado para realizar el
apartado de regresión es correcto (se
Ejecución del
ejecuta sin errores y cumple los
1.5 15 %
código de objetivos mínimos marcados)
regresión
Criterio 3. Calidad El código Python utilizado para realizar el
apartado de regresión está debidamente
del código de 1 10 %
comentado y formateado
regresión
Criterio 4. El dataset escogido para la aplicar la
clasificación cumple los requisitos
Elección del
mínimos especificados y el alumno lo
1 10 %
dataset para la demuestra en su análisis
clasificación
© Universidad Internacional de La Rioja (UNIR)
Criterio 5. El código Python utilizado para realizar el
apartado de clasificación es correcto (se
Ejecución del
ejecuta sin errores y cumple los
1.5 15 %
código de objetivos mínimos marcados)
clasificación
Criterio 6. Calidad El código Python utilizado para realizar el 1 10 %
apartado de clasificación está
del código de
8
Actividades
Asignatura Datos del alumno Fecha
Técnicas de inteligencia Apellidos:
Artificial Nombre:
9
Actividades