Fundamentos de aprendizaje automático
Semana | Nombre | Descripción |
---|---|---|
Descripción del mecanismo de evaluación del curso. |
||
Lista de inscriptos al curso 2023 |
||
31 de Julio - 6 de agosto | Existe mucho material para aprender Python.
En general, estos recursos son muy elementales o muy extensos. Este
curso toma como referencia el Tutorial del sitio
oficial de Python, pero se presenta como un intermedio entre
un tutorial convencional y una "quick reference": apela
esencialmente a la experimentación, buscando un rápido dominio del
lenguaje con la menor necesidad de apoyo docente. Fue elaborado por nuestro compañero Victor González Barbone. |
|
Introducción rápida al lenguaje de programación Python, y al uso de Python para computación científica. |
||
Pasos a seguir para instalar el ambiente de trabajo que se utilizará en el práctico |
||
Guía de referencia para escribir expresiones matemáticas con Latex |
||
Algunos ejemplos vistos en clase de diferentes tipos de aprendizaje automático |
||
Funes el memorioso (1944) - cuento de Jorge Luis Borges |
||
7 de agosto - 13 de agosto | ||
Diapositivas de clase |
||
AlphaGo - documental |
||
14 de agosto - 20 de agosto | Diapositivas de clase |
|
Diapositivas de clase |
||
21 de agosto - 27 de agosto | Diapositivas de clase |
|
28 de agosto - 3 de setiembre | ||
Slides utilizadas para explicar gradiente por descenso estocástico |
||
4 de setiembre - 10 de setiembre | ||
11 de setiembre - 18 de setiembre | ||
2 de octubre - 8 de octubre | ||
|
||
Tinker with a Neural Network in your browser. |
||
With the growing success of neural networks, there is a corresponding need to be able to explain their decisions — including building confidence about how they will behave in the real-world, detecting model bias, and for scientific curiosity. Interpretability techniques are normally studied in isolation. We explore the powerful interfaces that arise when you combine them — and the rich structure of this combinatorial space. |
||
The combination of modern Reinforcement Learning and Deep Learning ap-proaches holds the promise of making significant progress on challenging appli-cations requiring both rich perception and policy-selection. The Arcade LearningEnvironment (ALE) provides a set of Atari games that represent a useful bench-mark set of such applications. |
||
Deep Learning for Real-Time Atari Game Play Using Offline Monte-Carlo Tree Search Planning Guo et al. 2014 The combination of modern Reinforcement Learning and Deep Learning approaches holds the promise of making significant progress on challenging applications requiring both rich perception and policy-selection. The Arcade Learning Environment (ALE) provides a set of Atari games that represent a useful bench-mark set of such applications. |
||
16 de octubre - 22 de octubre | ||
23 de octubre - 29 de octubre | ||
30 de octubre - 5 de Noviembre | ||
6 de noviembre - 12 de noviembre | ||
13 de noviembre - 20 de noviembre | ||
Link al notebook. |
||
Artículo que analiza los impactos ambientales, sesgos y diversos aspectos de los modelos de lenguaje (ej. ChatGPT). |
||
En esta página se encuentra un diagrama ("mapa anatómico") que describe la creación, vida y muerte de un sistema basado en inteligencia artificial (Amazon Echo). En este mapa se resalta particularmente la labor humana, los datos y recursos planetarios utilizados en cada etapa del sistema. Este diagrama se encuentra acompañado por un ensayo de 21 partes donde se describe y expande sobre cada parte del diagrama. |
||
Artículo que discute diversos aspectos éticos de los modelos generativos de aprendizaje automático (Midjourney, Stable Diffusion, DALL-E). |