Monografía en Aprendizaje Automático (Posgrado)

Dirigido a estudiantes de posgrado que cumplan con los conocimientos exigidos y se interesen por realizar un primer trabajo corto relacionado con la aplicación de los métodos de aprendizaje automático vistos en el curso Fundamentos de Aprendizaje Automático (Posgrado) a un determinado dominio.

Objetivos

Esta asignatura está asociada al curso de Fundamentos de Aprendizaje Automático (Posgrado). Tiene por objetivo que el estudiante que haya realizado FuAA se enfrente con un problema de aprendizaje automático en un cierto dominio desde la ingeniería. El estudiante adquirirá herramientas conceptuales y metodológicas para el desarrollo de proyectos de aprendizaje automático. Se abordará un problema concreto donde se pondrá en práctica los conocimientos adquiridos en FuAA sobre datos reales, e incorporarán habilidades importantes para el desarrollo de proyecto de mayor tamaño.

Programa(s) de posgrado

Ingeniería Matemática, Ciencias de Datos y Aprendizaje Automático, Computación e Ingeniería Eléctrica, Bioinformática.

Créditos

4

Docentes

Federico Lecumberry, Guillermo Carbajal

Cupos 

Cupo máximo: No tiene.

Conocimientos previos exigidos

• Fundamentos de aprendizaje automático y reconocimiento de patrones. 
• Probabilidad y estadística, álgebra lineal, aplicación de transformaciones a señales.
• Análisis de sistemas, y procesamiento de señales.
• Programación (lenguaje de programación Python).

Conocimientos previos recomendados

Manejo de un sistema de control y seguimiento de versiones de código (por ejemplo, git)

Metodología de enseñanza

El curso tiene una fuerte componente práctica en modo taller. Los estudiantes realizarán un abordaje siguiendo una metodología científica incluyendo estudio del dominio de aplicación, búsqueda bibliográfica, desarrollo de métodos de análisis de datos, realización de experimentos y el análisis de sus resultados. Deben redactar una monografía que describa el trabajo realizado, los resultados obtenidos, su discusión y conclusiones; esta monografía será expuesta en clase. 

Durante el desarrollo se realizarán reuniones de presentación de avances y resultados, y discusión del proceso.

Forma de evaluación

La evaluación será a partir del trabajo realizado durante el curso, del documento de la monografía, de su exposición y de las respuestas a las preguntas realizadas durante la presentación.

Temario

El temario es el temario del curso de Fundamentos de Aprendizaje Automático y Reconocimiento de Patrones.

Bibliografía

• Abu-Mostafa, Y. S., Magdon-Ismail, M. & Lin, H.-T. Learning from Data: A Short Course. (AMLbook.com, S.l., 2012).
• Géron, A. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. (O’Reilly Media, Inc, Beijing [China], Sebastopol, CA, 2019).
• Bishop, C. M. Pattern Recognition and Machine Learning. (Springer-Verlag New York, Inc, Secaucus, NJ, USA, 2006).
• Chollet, F. Deep Learning with Python. (Manning, Shelter Island, NY, 2021).
• Goodfellow, I., Bengio, Y. & Courville, A. Deep Learning. (MIT Press, 2016).
• Bishop, C. M. & Bishop, H. Deep Learning: Foundations and Concepts. (Springer, Cham, Switzerland, 2024).

Programa

Ver programa de monografía de posgrado aquí.