Curso Reconocimiento de Patrones

Objetivos del curso

El objetivo general de este curso es desarrollar en el estudiante las competencias necesarias para entender los aspectos básicos del aprendizaje automático, así como aplicar métodos para resolver problemas, ejecutar evaluaciones e interpretar sus resultados.

Los objetivos de este curso son:

1. Conocer y entender la teoría básica que sustenta el aprendizaje supervisado.
2. Conocer y saber cómo y en qué condiciones aplicar algoritmos de aprendizaje supervisado.
3. Entender y seleccionar los criterios y las técnicas para la medición de la calidad de un algoritmo de aprendizaje supervisado.
4. Conocer y saber aplicar diferentes algoritmos de aprendizaje no supervisado.

Las competencias que queremos ayudar a desarrollar en los estudiantes a lo largo del semestre son las siguientes:

1. Utilizar las herramientas más populares en python para el desarrollo de modelos de aprendizaje supervisado.
2. Saber decidir cual modelo de aprendizaje supervisado es el más adaptado para diferentes problemas y medir la calidad de éste.
3. Entender y saber utilizar métodos de aprendizaje no supervisado para un proceso de minería de datos.

Temario

1. Introducción (2 semanas)
   1. ¿Que es el aprendizaje automático?
   2. El proceso de desarrollo de un modelo
   3. Consideraciones éticas
   4. Ingesta y procesamiento de datos con pandas
   5. Introducción a la ingeniería de características
2. Aprendizaje no supervisado (2 semanas)
   1. Reagrupamiento aglomerativo
   2. Reagrupamiento jerárquico
   3. Reducción de la dimensionalidad
3. Bases de aprendizaje supervisado (2 semanas)
   1. ¿En que sentido el aprendizaje supervisado es posible?
   2. Primeros modelos: regresión lineal y logística
   3. El dilema de sesgo versus varianza
   4. Regularización y validación
   5. Medición de error y curvas de aprendizaje
4. Modelos lineales de aprendizaje supervisado (2 semanas)
   1. Modelos lineales generalizados
   2. Máquinas de vectores de soporte
5. Modelos no lineales de aprendizaje supervisado (2 semanas)
   1. Modelos por árboles de decisión
   2. Modelos de ensamble
6. Redes neuronales, una introducción (3 semanas)
   1. Conceptos teóricos sobre ejemplos sencillos
   2. Redes Convolucionales (CNN)
   3. Transferencia del aprendizaje y modelos preentrenados
7. Tópicos selectos (3 semanas)
   1. A determinar en grupo, siempre que se pueda llegar con tiempo.

Herramientas de enseñanza

Para este curso vamos a contar con diversas herramientas de enseñanza que complementen las técnicas vistas en clases presenciales a distancia, y al mismo tiempo se generen una serie de evidencias de las competencias desarrolladas a lo largo del curso.

Este curso tiene el soporte de DataCamp , una plataforma intuitiva para el aprendizaje de competencias para ciencia de datos.

DataCamp cuenta con cursos, proyectos, tutoriales y rutas de aprendizaje para aprender desde los conceptos básicos hasta los temas avanzados de ciencia de datos usando R, python y SQL. DataCamp ofrece 350+ cursos por instructores expertos en tópicos como importación de datos, visualización y aprendizaje automático entre otros.

Vamos a utilizar DataCamp for the Classroom este semestre. DataCamp apoya la educación alrededor del muno con esta iniciativa libre. Puedes encontrar más información al respecto en datacamp.com/groups/education. Agradecemos a DataCamp por el apoyo para este curso y ofrecerte esta gran herramienta de formación complementaria a los estudiantes del curso sin costo para los estudiantes.

NVIDIA Deep Learning Institute (DLI). Cursos en línea principalmente sobre redes neuronales profundas. Una certificación con una buena introducción al uso de modelos de aprendizaje profundo. Agradecemos a NVIDIA por el apoyo y permitirnos ofrecer sus cursos de formación sin costo para los estudiantes para este curso.

Exámenes

• Primer examen
• Segundo examen