Información Básica
-
Créditos: 3
-
Horas de trabajo acompañado: 5 / semana (3 horas clase, 2 horas taller)
-
Horas de trabajo independiente: 4 / semana
-
Pre-requisitos: Estadística, Análisis y Diseño de Algoritmos, Probabilidad
-
Tipo de curso: Énfasis
Descripción del Curso
Este curso profundiza en las técnicas de aprendizaje automático que se utilizan para hacer análisis de datos. En particular se estudian las técnicas computacionales que aprovechan grandes volúmenes de datos para identificar regularidades o patrones de interés, también las que permiten encontrar agrupamientos naturales de los datos, hacer predicciones con base en información histórica o visualizar tendencias o comportamientos en los sistemas que generan los datos.
Objetivos
Al finalizar el curso los participantes podrán:
- Identificar preguntas que pueden ser contestadas usando técnicas de aprendizaje automático sobre conjuntos de datos.
- Aplicar variadas técnicas de aprendizaje automático a tareas específicas para responder preguntas de interés.
- Interpretar los resultados obtenidos por las técnicas computacionales a la luz del contexto de la tarea a resolver.
- Evaluar el desempeño de las técnicas computacionales aplicadas.
- Comparar el desempeño de diversas técnicas y recomendar aquella o aquellas que mejor se adecúan a la tarea a resolver.
Se desarrollan competencias en
- Solución creativa de problemas computacionales
- Pensamiento crítico
- Comunicación oral y escrita
Contenido
Capítulo 1: Introducción
| Sesión | Horas teóricas | Prácticas acompañadas | Temas | Profundidad | Bibliografía |
|---|---|---|---|---|---|
| 1 | 1,5 | 1 | Definición y ejemplos de una variedad de aplicaciones del aprendizaje automático | Uso | [1 caps 1] |
| 2 | 1,5 | 1 | Tipos de aprendizaje: supervisado, no supervisado, por refuerzo | Uso | [1 caps 1, 2] |
| 3 | 1,5 | 1 | Diseño de experimentos de entrenamiento y prueba: conjuntos de entrenamiento y prueba, estimación de parámetros, leave one out, validación cruzada | Uso | [2 caps 2, 5] |
| 4 | 1,5 | 1 | Desempeño de clasificadores: métricas, curvas ROC | Uso | [6 caps 2] |
| 5 | 1 | 1,5 | Práctica sobre diseño de experimentos | Uso | |
| 6 | 1 | 1,5 | Práctica sobre evaluación del desempeño | Uso |
Total de Horas: 15.
Capítulo 2: Aprendizaje estadístico
| Sesión | Horas teóricas | Prácticas acompañadas | Temas | Profundidad | Bibliografía |
|---|---|---|---|---|---|
| 7 | 1,5 | 1 | Regresión lineal | Uso | [2 caps 3] |
| 8 | 1,5 | 1 | Regresión logística, análisis discriminante lineal | Uso | [2 caps 4] |
| 9 | 1,5 | 1 | Análisis discriminante cuartico, método de los vecinos más cercanos | Uso | [2 caps 4] |
| 10 | 1,5 | 1 | Estimación de parámetros por máxima verosimilitud | Uso | [2 caps 4] |
| 11 | 1,5 | 1 | Remuestreo y selección de características | Uso | [2 caps 5] |
| 12 | 1,5 | 1 | Manejo de datos de alta dimensionalidad | Uso | [2 caps 6] |
Total de Horas: Valor 15.
Capítulo 3: Aprendizaje supervisado
| Sesión | Horas teóricas | Prácticas acompañadas | Temas | Profundidad | Bibliografía |
|---|---|---|---|---|---|
| 13 | 1,5 | 1 | Aprendizaje de árboles de decisión | Familiaridad | [1 caps 3] |
| 14 | 1,5 | 1 | Redes neuronales artificiales | Uso | [1 caps 4][4 caps 5] |
| 15 | 1,5 | 1 | Redes neuronales artificiales | Uso | [1 caps 4][4 caps 5] |
| 16 | 1,5 | 1 | Máquinas de vectores de soporte | Uso | [2 caps 9] |
| 17 | 1 | 1,5 | Implementación de métodos de aprendizaje supervisado | Uso | |
| 18 | 1 | 1,5 | Comparación entre métodos de aprendizaje supervisado | Evaluación |
Total de Horas: 15.
Capítulo 4: Aprendizaje no supervisado
| Sesión | Horas teóricas | Prácticas acompañadas | Temas | Profundidad | Bibliografía |
|---|---|---|---|---|---|
| 19 | 1,5 | 1 | Análisis de componentes principales | Uso | [2 caps 10] |
| 20 | 1,5 | 1 | Métodos jerárquicos | Uso | [2 caps 10] |
| 21 | 1,5 | 1 | Métodos basados en centroide | Uso | [2 caps 10][4 caps 9] |
| 22 | 1,5 | 1 | Mapas autoorganizados | Uso | |
| 23 | 1 | 1,5 | Comparación entre métodos de aprendizaje no supervisado | Evaluación |
Total de Horas: 12,5.
Capítulo 5: Aprendizaje de modelos gráficos
| Sesión | Horas teóricas | Prácticas acompañadas | Temas | Profundidad | Bibliografía |
|---|---|---|---|---|---|
| 24 | 1,5 | 1 | Redes de Bayes | Uso | [4 caps 8] |
| 25 | 1,5 | 1 | Inferencia en redes de Bayes | Familiaridad | [4 caps 8] |
| 26 | 1,5 | 1 | Inferencia en modelos ocultos de Markov | Familiaridad | [4 caps 8] |
| 27 | 1,5 | 1 | Algoritmo EM (Expectation – maximization) | Familiaridad | [4 caps 8] |
Total de Horas: 10.
Capítulo 6: Análisis de datos
| Sesión | Horas teóricas | Prácticas acompañadas | Temas | Profundidad | Bibliografía |
|---|---|---|---|---|---|
| 28 | 1,5 | 1 | Análisis de datos en negocios | Familiaridad | |
| 29 | 1,5 | 1 | Análisis de datos en bioinformática | Familiaridad | |
| 30 | 1,5 | 1 | Análisis de datos sobre grafos | Familiaridad | |
| 31 | 1,5 | 1 | Visualización de datos | Familiaridad | |
| 32 | 1 | 1,5 | Examen parcial |
Horas**: 12,5.
Uso de material en exámenes
Asistencia
Bibliografía
-
Machine learning. Tom Mitchell. McGraw Hill. 1997
-
Introduction to statistical learning with applications in R. 6a impresión. 2015.
-
The elements of statistical learning. Trevor Hastie et al. Springer. Second Edition. 2009.
-
Pattern recognition and machine learning. Christopher Bishop. Springer. 2006.
-
Artificial Intelligence a moder approach. Stuart Russell, Peter Norving. Pearson. Third edition. 2009.
-
Pattern classification. Richard Duda et. al. Second edition. 2000.
Instalaciones
Salón de clase con computador y proyector. Laboratorio de Ingeniería de Sistemas y Computación.