No hay comentarios.

CURSO: MACHINE LEARNING
TRADUCCION: MACHINE LEARNING
SIGLA: MAN 3070
CREDITOS: 5 UC
MODULOS: 4
REQUISITOS: MDS 3010 y MAN 3050
RESTRICCIONES: MAN
CONECTOR: Y
CARACTER: MINIMO
TIPO: CATEDRA
CALIFICACION: ESTANDAR
PALABRAS CLAVE: INTELIGENCIA ARTIFICIAL, APRENDIZAJE DE MAQUINA, DATOS
NIVEL FORMATIVO: MAGISTER


I.DESCRIPCIÓN DEL CURSO

En este curso se introducen los conceptos fundamentales del Aprendizaje de Maquina y las metodologias que se utilizan en esta disciplina. En particular, el estudiante aprendera los principios basicos de inferencia inductiva revisando algunas de las tecnicas mas utilizadas, que le permitiran crear programas que aprenden como resolver una tarea sin haber sido programados previamente para ello.


II.RESULTADOS DE APRENDIZAJE

1.Analizar los conceptos fundamentales del aprendizaje de maquina.
2.Distinguir los problemas y desafios del aprendizaje de maquina al crear un programa computacional.
3.Explicar la diferencia entre la aplicacion de algoritmos de aprendizaje supervisado y no supervisado.
4.Proponer la aplicacion de distintos algoritmos de aprendizaje, segun las caracteristicas y tama?o de los datos, y la tarea a realizar.
5.Aplicar metricas de evaluacion y rendimiento para evaluar el aprendizaje supervisado y no supervisado.
6.Resolver problemas reales, desde la perspectiva de aprendizaje de maquina, mediante la creacion de programas computacionales.


III.CONTENIDOS

1. Introduccion a Machine Learning

1.1. ?Que es Machine Learning?
1.2. La historia de la IA y Machine Learning
1.3. Esquemas de aprendizaje
1.4. Relacion entre los esquemas de aprendizaje y la resolucion de problemas reales
1.5. Aprendizaje vs programacion
1.6. Representacion de datos
1.7. Elementos basicos de scikit-learn
1.8. Evaluacion de rendimiento
1.9. Entrenamiento y evaluacion de modelos
1.10. Construccion conceptual de un sistema de Machine Learning

2.Tecnicas de aprendizaje supervisado parte 1

2.1. Vecinos mas cercanos
2.2. Aspectos practicos de vecinos mas cercanos
2.3. Arboles de decision
2.4. Implementacion de un arbol de decision
2.5. Random forest
2.6. Efecto de las estrategias aleatorizantes en random forests
2.7. Bagging y boosting
2.8. Uso de distintos tipos de ensamble

3.Tecnicas de aprendizaje supervisado parte 2

3.1. Formulacion principal de SVM (Support Vector Machine)
3.2. Extensiones de SVM
3.3. Visualizacion de los vectores de soporte de un SVM
3.4. Visualizacion de superficies de clasificacion y margen
3.5. Perceptron
3.6. Multi-layer Perceptron
3.7. Implementacion de backpropagation
3.8. La historia de las redes neuronales

4.Aprendizaje no supervisado

4.1. Tecnicas de clustering
4.2. Seleccion del numero de cluster en K-Means
4.3. PCA y tSNE
4.4. Visualizacion de representaciones de dimensionalidad reducida
4.5. Implementacion de un pipeline completo de Machine Learning utilizando datos reales


IV.ESTRATEGIAS METODOLOGICAS

- Catedra en sesiones sincronicas
- Videoclases
- Podcast o video tutorial
- Discusion de casos.
- Lecturas
- Analisis de casos
- Test formativos
- Foros de discusion
- Aprendizaje basado en problemas
- Clase invertida
- Taller


V.ESTRATEGIAS EVALUATIVAS

- Controles (30%)
- Tareas (30%)
- Trabajo grupal (25%).
- Foro de discusion (15%).

El curso contendra ademas actividades formativas (sin calificacion), las que tienen como proposito la preparacion para las evaluaciones calificadas.


VI.BIBLIOGRAFIA

Minima:

T. Hastie, R. Tibshirani, J. Friedman, ?The elements of Statistical Learning?, Springer, 2nd edition, 2009.

C. Bishop, ?Pattern Recognition and Machine Learning?. Springer, 2007.

T. Mitchell, ?Machine Learning?, McGraw Hill, 1997.

Complementaria:

Goodfellow, Y. Bengio, A. Courville. ?Deep Learning?, MIT Press, 2016.

Burkov, ?The Hundred Page Machine Learning Book?, 2019

J. VanderPlass, ?Python Data Science Handbook?, O'Reilly Media, 2016.