Aprendizaje automático

Clave: 19B7858
No. de horas: 16
Unidades de crédito:  0
Créditos SATCA:  No disponible
Tipo de asignatura: Optativa
Fecha de elaboración: 2018-05-09

Objetivo general:

Que el alumno obtenga conocimiento teórico de los conceptos, etapas y algoritmos utilizadosen el área de aprendizaje automático.

Asimismo, que elalumno identifique y utilice servicios que brindan distintas plataformas paraconstruir proyectos de aprendizaje automático. Además, que el alumno sea capazde plantear, construir, evaluar e implementar modelos de aprendizaje automáticoaplicados a solucionar problemas de distinto dominio.


Temas:

1.   Introducción al aprendizaje automatico

1.1 Definición y características

1.2 Conceptos

1.3 Evaluación de resultados en procesos deaprendizaje automatico

1.4 Ejemplos de aplicaciones


2. Clasificación basada en teoría Bayesiana

2.1 Características

2.2 Bayes simple

2.3 Clasificación Bayesiana para distribucionesnormales

2.4 Estimacion de parametros

2.5 Algoritmo esperanza-maximización


3. Maquina de soporte vectorial

3.1 Definición

3.2 Clasificación lineal con maquina de soportevectorial

3.3 Clasificación no lineal con maquina desoporte vectorial

3.4 Caso multi-clase


4. Extracción y selección de características

4.1 Introducción

4.2 Pre-procesamiento

4,3 Ejemplos de extracción de características

4.4 Reducción de dimensionalidad


5. Arboles de decisión

5.1 Características

5.2 Arboles para clasificación

5.3 Arboles para regresión

5.4 Bosques aleatorios


6. Vecinos mas cercanos

6.1 Métricas

6.2 Selección de parámetros

6.3 Algoritmo de vecinos mas cercanos con pesos


7. Algoritmos de agrupamiento

7.1 Introducción

7.2 Métricas de proximidad

7.3 Agrupamiento jerárquico

7.4 Algoritmo k-medias

7.5 Modelos Gaussianos mezclados


8. Modelos ocultos de Markov

8.1 Introducción

8.2 Cadenas de Markov

8.3 Algoritmo de evaluación

8.4 Algoritmo de decodificación

8.5 Algoritmo de entrenamiento


9. Construcción de proyectos de aprendizajeautomático

9.1 Introducción

9.2 Construcción de bases de datos

9.3 Compromiso entre sesgo y varianza

9.4 Proyectos a gran escala

9.5 Servicios para proyectos de aprendizajeautomático

9.6 Caso de estudio



Bibliografía:

[1]  Theodoridis, S., &Koutroumbas, K. Pattern recognition, cuarta edicion. Elsevier, 2009.

[2]  Duda, R. 0., Hart, P. E.,& Stork, D. G. Pattern classification, segunda edicion, John Wiley &Sons, 2001.

[3]  Mohri M., Rostamizadeh A. andTalwalkar Ammet, Foundations of Machine Learning, MIT press, 2012.

[4]  Géron, A. Hands-on machinelearning with Scikit-Learn and TensorFlow: concepts, tools, and techniques tobuild intelligent systems. O'Reilly Media, Inc., 2017.

[5]  Raschka, S. Python machinelearning :Unlock deeper insights into machine learning with this vital guide tocutting-edge predictive analytics, Birmingham, UK. Packt publishing, 2016.