Cognitive Science">
[Go to site: main page, start]
Scribd
Cargar
4 vistas2 páginas

Programa Machine Learning

El curso de Introducción al Machine Learning abarca técnicas y algoritmos de aprendizaje automático, con un enfoque en aplicaciones prácticas y teóricas. Se divide en cinco partes que incluyen regresión, clasificación y clustering, además de exposiciones de trabajos. La evaluación se basa en dos exámenes parciales y un trabajo práctico, con bibliografía recomendada para profundizar en los temas tratados.

Cargado por

Ronald Bustamante Medina
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
4 vistas2 páginas

Programa Machine Learning

El curso de Introducción al Machine Learning abarca técnicas y algoritmos de aprendizaje automático, con un enfoque en aplicaciones prácticas y teóricas. Se divide en cinco partes que incluyen regresión, clasificación y clustering, además de exposiciones de trabajos. La evaluación se basa en dos exámenes parciales y un trabajo práctico, con bibliografía recomendada para profundizar en los temas tratados.

Cargado por

Ronald Bustamante Medina
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

Introducción al Machine Learning

Créditos: xx
Horas por semana: 5
Requisitos: Análisis numérico, programación, probabilidad

I. Introducción.

El Machine Learning (aprendizaje automático) ha tenido un desarrollo altamente


rápido en los últimos 5 años, y con ese desarrollo han surgido aplicaciones en
áreas como finanzas, sistemas de recomendaciones, detectores de spam,
diagnóstico de enfermedades, identificación de imágenes, reconocimiento de voz
y muchas otras.

En este curso pretendemos dar una introducción a distintas técnicas Machine


Learning, sus algoritmos y complejidades respectivas, optimización de las
aproximaciones.

El curso tendrá dos componentes: la teórica en la que se harán las


demostraciones correspondientes a los distintos modelos y algoritmos, y la
práctica en la que se implementarán los modelos y se estudiarán ejemplos
concretos.

II. Contenidos y cronograma.

Parte I. Introducción (2 semanas)

1. Qué es Machine Learning? Modelos y técnicas. Ejemplos.


2. Introducción a las herramientas de Python que utilizaremos.
3. Conceptos generales: conjunto de entrenamiento, conjunto de validació,
conjunto de prueba.

Parte II. Regresión (3 semanas)

1. Regresión lineal
2. Overfirring, error, sesgo y varianza
3. Descenso de gradiente y descenso de coordenadas.
4. Regularización

Parte III. Clasificación (4 semanas)


1. Clasificación lineal, regresión logística
2. Árboles de decisión
3. Precisión y exhaustividad
4. Boosting
5. Gradiente estocástico

Parte IV. Clustering (5 semanas)


1. Vecinos más cercanos
2. K-means, locality sensitive hashing, MapReduce
3. Mezclas gaussianas, Esperanza-Maximización
4. Latent Dirichlet Allocation, muetreo de Gibbs, inferencia bayesiana

Parte V: Exposiciones de trabajos (2 semanas)

II. Bibliografía.

1. Raschka. Python Machine Learning: Machine Learning and Deep Learning


with Python, scikit-learn, and TensorFlow, 2nd Edition, 2017 .

2. Kelleher, Mac Namee, D'Arcy, Fundamentals of Machine Learning for


Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies
(The MIT Press) 1st Edition.
3. Alex Smola and S.V.N. Vishwanathan. Introduction to Machine Learning.
Cambridge University Press, 2008.
4. Hastie, Tibshirani, Friedman. The Elements of Statistical Learning.
Springer, 2008.

III. Evaluación.

Dos exámenes parciales de 35% cada uno, y un trabajo de investigación o


práctico de 30%

Profesor: Ronald F. Bustamante Medina.

También podría gustarte