[general_dat] Invitación a cursar Aprendizaje Automático 1 y 2 (bimestrales)

[Pablo Brusco]

Hola,

Este cuatrimestre, junto a Luciano Del Corro, Gastón Bujía y Cecilia
Bolaños, estaremos dictando las materias optativas "*Aprendizaje Automático
1*" y "*Aprendizaje Automático 2*" en el *primer y segundo bimestre*,
respectivamente. Los invitamos a cursarlas.

Detalles del curso:


   -

   Días y horarios: Martes y Jueves de 17:00 a 21:00. *100% presencial.*
   -

   Carga horaria: 8 horas semanales.
   -

   Evaluación: un parcial por bimestre + trabajos prácticos grupales +
   cuestionarios obligatorios (tareas semanales con implementación de
   notebooks y lectura de libros/papers obligatorios).

Créditos y puntos. *Cada materia bimestral otorgará*:

   -

   2 puntos de optativa para Licenciatura en Computación (plan 93).
   -

   64 créditos para Licenciatura en Computación (plan 2023).
   -

   64 horas para la carrera de Ciencia de Datos.
   -

   puntos a confirmar para el Doctorado en Computación.

Correlativas obligatorias (sin excepciones):

*Para Aprendizaje Automático I*

   -

   Para Lic. en Computación: Probabilidad y Estadística, Métodos Numéricos
   y Algoritmos III.
   -

   Para Lic. en Ciencia de Datos: Probabilidad, Álgebra Lineal
   Computacional y Algoritmos III.
   -

   Para Lic. en Física: Laboratorio 5, Física Teórica 3 y Cálculo Numérico
   (recomendable haber hecho Métodos Estadísticos para Física Experimental).

*Para  Aprendizaje Automático II*

   -

   Aprendizaje Automático I (o la materia Aprendizaje Automático
   [computación] hasta su edición 2022 inclusive).


Aprendizaje Automático I:

El Aprendizaje Automático (o Machine Learning) es una rama de la
Inteligencia Artificial que se dedica al estudio de los programas que
aprenden a realizar una tarea en base a la experiencia. El objetivo del
proceso de aprendizaje es utilizar la evidencia conocida para crear un
modelo que sirva para dar respuesta a nuevas situaciones no conocidas. Esta
materia consiste en una introducción abarcativa de las principales técnicas
y aplicaciones del área, con una mezcla balanceada de teoría y ejercitación
práctica.

Se espera que los estudiantes tengan una visión abarcativa de los tipos de
soluciones y herramientas que se utilizan en problemas que se resuelven
mediante este paradigma, y que puedan crear, modificar, analizar y evaluar
sistemas que utilicen los métodos clásicos o modernos de sistemas basados
en aprendizaje a partir de datos.

Aprendizaje Automático II:

En esta materia, los estudiantes aprenderán a diseñar y entrenar redes
neuronales para resolver problemas complejos en áreas como visión
artificial y procesamiento de lenguaje natural. Desarrolla habilidades
clave en inteligencia artificial y explora las tecnologías que están
transformando diversas industrias.

Se espera que los estudiantes comprendan los fundamentos de las redes
neuronales y su aplicación en el análisis de datos complejos. Aprendan a
diseñar, implementar y entrenar modelos de aprendizaje profundo, como redes
convolucionales, recurrentes, transformers. Adquieran experiencia práctica
con herramientas y frameworks populares de IA, como  PyTorch. Desarrollen
habilidades para evaluar y optimizar modelos de aprendizaje profundo en
problemas del mundo real.

Contenidos principales:

   -

   1er bimestre:
   -

      Aprendizaje de conceptos
      -

      Evaluación y selección de modelos
      -

      Sesgo y Varianza
      -

      Clasificadores: Árboles de decisión, KNN, Naive Bayes, LDA, SVM,
      regresión logística
      -

      Ensambles: Bagging, Random Forest, Boosting
      -

      Clustering: K-Means, GMM, algoritmo EM, clustering jerárquico
      aglomerativo, DBSCAN
      -

      Evaluación de clasificadores probabilísticos
      -

      Ingeniería de atributos
      -

   2do bimestre:
   -

      Métodos de Regresión y Descenso por Gradiente.
      -

      Redes neuronales. Backpropagation.
      -

      Predicción de Secuencias.  Redes neuronales recurrentes, Mecanismos
      de atención. Transformers.
      -

      Visión artificial.  Redes neuronales convolucionales.
      -

      Modelos Generativos. Modelos de difusión. GANs.
      -

      Aprendizaje de Representaciones. Autoencoders

Bibliografía:

Aprendizaje Automático I:


   -

   T. Mitchell. McGraw-Hill Education, (1997 ). Machine Learning.
   -

   James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023).
   An introduction to statistical learning: With applications in python.
   -

   Hastie, T., Tibshirani, R., & Friedman, J. (2017). The elements of
   statistical learning: data mining, inference, and prediction.
   -

   Bishop, C. M., & Nasrabadi, N. M. (2006). Pattern recognition and
   machine learning.
   -

   Müller, A. C., & Guido, S. (2016). Introduction to machine learning with
   Python: a guide for data scientists.


Aprendizaje Automático II:


   -

   LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning.
   -

   Bishop, C. M., & Bishop, H. (2023). Deep learning: Foundations and
   concepts.
   -

   Prince, S. J. (2023). Understanding deep learning.
   -

   James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023).
   An introduction to statistical learning: With applications in python.
   -

   Raschka, S., Liu, Y. H., & Mirjalili, V. (2022). Machine Learning with
   PyTorch and Scikit-Learn: Develop machine learning and deep learning models
   with Python.


¡Los esperamos!