Fundamentos de aprendizaje automático

Fundamentos de aprendizaje automático y reconocimiento de patrones es un curso introductorio al aprendizaje automático, que busca un equilibrio entre la aplicación práctica y sus fundamentos teóricos. Se presenta la teoría que establece un marco conceptual para el aprendizaje automático, y que permite formalizar ciertos aspectos, tales como: en qué consiste aprender, cotas del aprendizaje, relaciones de compromiso y métodos de evaluación. Además, el curso intenta proporcionar los conocimientos necesarios para comprender e implementar algoritmos de aprendizaje automático.

Objetivos

La unidad curricular propone como objetivos que el estudiante sea capaz de desarrollar una sólida comprensión de los fundamentos del aprendizaje automático y manejar varias técnicas clásicas de aprendizaje automático y reconocimiento de patrones. Al finalizar la unidad curricular el estudiante será capaz de comprender e implementar algoritmos de aprendizaje automático, con los cuales podrá resolver problemas prácticos de análisis de datos, clasificación y regresión. Se espera que esta unidad curricular brinde una base sólida sobre la cual continuar la formación en el área.

Metodología

El curso está organizado en dos instancias presenciales semanales de dos horas, alternando sesiones de discusión de los temas teóricos y clases prácticas.

La presentación expositiva de los temas teóricos será mediante los videos del curso disponibles en OpenFing. 

Las instancias de discusión presenciales son espacios activos para la reflexión e intercambio sobre los temas ya vistos por el estudiante y discusión de ejemplos, no se presentará material nuevo. Los temas que corresponden a cada clase están definidos en el cronograma. Las secciones del libro o videos que cubren cada clase están en el temario. Adicionalmente, en cada semana de la página del curso se indica cuáles son los temas que corresponden a dicha semana.

Los prácticos y los controles de lectura se realizarán en forma presencial. En las clases prácticas los estudiantes desarrollarán habilidades relativas a la programación y aplicarán técnicas de aprendizaje automático sobre datos reales.

Evaluación

Ver descripción detallada del proceso de evaluación y aprobación para estudiantes de grado aquí.

Ver descripción detallada del proceso de evaluación y aprobación para estudiantes de posgrado aquí.

El proceso de evaluación para estudiantes de grado y posgrado incluye la realización individual de seis controles de lectura, cuestionarios prácticos en cada una de las clases de práctico, y dos parciales. 

Para estudiantes de posgrado además hay un trabajo final de unas 30 horas de dedicación.

Todas las evaluaciones son individuales.

Los controles de lectura y los cuestionarios prácticos se harán en horario de clase y serán presenciales. Las fechas de los controles y cuestionarios están indicadas en el cronograma.

Créditos

Grado: 8 créditos.

Posgrado: 10 créditos.

Monografía en AA (posgrado): 4 créditos.

Programa del curso

Ver programa de grado aquí.

Ver programa de posgrado aquí.

Temario y cronograma

Ver temario y cronograma aquí.

Docentes

Guillermo Carbajal, Graciana Castro, Federico Lecumberry, Martín Schmidt

Recursos

El curso está basado en el libro: Learning from data: a short course de Yaser S. Abu-Mostafa, Malik Magdon-Ismail y Hsuan-Tien Lin. Es muy importante leer el libro para seguir el curso. Hay varias copias del libro en biblioteca de FIng.

Las clases teóricas cuentan con diapositivas que estarán disponibles.

Hay una lista de ejercicios para cada una de las clases prácticas, que estará disponible en la forma de un Notebook de Jupyter.