No hay comentarios.

CURSO:APRENDIZAJE PROFUNDO
TRADUCCION:DEEP LEARNING
SIGLA:MDS3080
CREDITOS:05 UC
HORAS:90 HORAS DE DEDICACION TOTAL: 24 DIRECTAS Y 66 INDIRECTAS (2 MODULOS)
CARACTER:OPTATIVO
TIPO:CATEDRA,LABORATORIO
CALIFICACION:ESTANDAR
PALABRAS CLAVE:INTELIGENCIA ARTIFICIAL,CIENCIA DE DATOS,DEEP LEARNING
NIVEL FORMATIVO:MAGISTER


I.DESCRIPCIÓN DEL CURSO

El gran poder del deep learning radica en su habilidad para identificar regularidades, o patrones, en datos de manera automatica. Ademas, su rendimiento suele ser muy superior al del resto de las tecnicas de aprendizaje de maquina. El objetivo de este curso es proveer los conocimientos necesarios para utilizar deep learning de manera efectiva. Para ello, es necesario entender como funciona y por que. Todo contenido teorico es visto en vias de entender los principios practicos que hacen funcionar deep learning.


II.RESULTADOS DE APRENDIZAJE

1.Evaluar si deep learning es la solucion apropiada para un problema particular.

2.Identificar los pasos claves a seguir para aplicar deep learning a una nueva tarea.

3.Identificar los modelos de deep learning mas apropiados para el problema que se busca resolver.

4.Implementar distintos modelos de deep learning y entrenarlos usando grandes volumenes de datos.

5.Dise?ar arquitecturas ad-hoc para distintos tipos de problemas de aprendizaje de maquina.

6.Proponer mejoras sobre modelos existentes de deep learning en vias de mejorar su rendimiento.


III.CONTENIDOS

1.Introduccion a deep learning.
1.1.Motivacion.
1.2.Aprendizaje supervisado.
1.3.Funciones de perdida.

2.Redes multicapas(MLP).
2.1.Perceptron y redes multicapas.
2.2.Entrenamiento basado en gradientes.
2.3.Regularizadores.

3.Redes convolucionales(CNN).
3.1.Convoluciones.
3.2.Entrenamiento de redes convolucionales.
3.3.Aplicaciones en reconocimiento visual.

4.Redes recurrentes(RNN).
4.1.Arquitectura base(RNN) y sus mejoras(LSTM y GRU).
4.2.Modelos de atencion.
4.3.Aplicaciones en procesamiento de lenguaje natural.


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 sinteticos y problemas reales.

-Laboratorio.


V.ESTRATEGIAS EVALUATIVAS

-Foros: 10%

-Controles: 20%

-Tareas: 30%

-Trabajo final: 40%

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


VI.BIBLIOGRAFIA

Minima

I. Goodfellow, Y. Bengio and A. Courville,"Deep Learning".MIT Press,2017.

J. Leskovec, A. Rajaramanan, and J.D. Ullman,"Mining Massive Datasets".Cambridge University Press,2014.

A. Gibson and J. Patterson,"Deep Learning: A Practitioner's Approach".O'Reilly,2016.


Complementaria

F. Chollet."Deep Learning with Python".Manning Publications,2017.


PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
FACULTAD DE INGENIERIA / MARZO 2022