[general_dat] Invitación a cursar Aprendizaje Automático I y II (bimestrales) - Ma-Ju - 17:00-21:00

[Pablo Brusco]

Hola,

El cuatrimestre que viene estaremos dictando las materias optativas:


* - Aprendizaje Automático I (1er bimestre)- Aprendizaje Automático II (2do
bimestre)*

Los invitamos a participar de estos cursos, donde podrán adquirir
herramientas clave en inteligencia artificial, aprendizaje estadístico y
aprendizaje profundo. Si les interesa entender y construir sistemas
modernos de IA —desde modelos clásicos hasta *transformers*— estas materias
brindan una formación sólida, teórica y práctica, alineada con lo que hoy
se usa en investigación e industria.

Detalles del curso:


   -

   Días y horarios: Martes y Jueves de *17:00 a 21:00 (presencial)**.*
   -

   Carga horaria en aula: 8 horas semanales.
   -

   Evaluación: Un parcial por bimestre + trabajos prácticos grupales +
   cuestionarios obligatorios (tareas semanales con implementación de
   notebooks y lectura de bibliografía).

Créditos y puntos. *Cada materia bimestral otorgará*:


   - 2 puntos de optativa para Licenciatura en *Computación (plan 93).*
   - 64 créditos para Licenciatura en *Computación (plan 23).*
   - 64 horas para la carrera de *Ciencia de Datos.*
   - 3 (si hacés sólo una), 5 por las dos para el *Doctorado en Computación*.
   Inscribirse bajo el nombre de materia "Introducción al Aprendizaje
   Automático I"
   - 2 y 3, respectivamente para la *Licenciatura en Física.*

Correlativas obligatorias (sin excepciones):

*Para Aprendizaje Automático I*

   - Para Lic. en Computación plan 93: Probabilidad y Estadística, Métodos
   Numéricos y Algoritmos III.
   - Para Lic. en Computación plan 23: Estadística Computacional e
   Ingeniería de Software.
   - *Para Lic. en Ciencia de Datos:* Estadística, 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*

   -

   Las mismas + Aprendizaje Automático I (o la materia Aprendizaje
   Automático [computación] hasta su edición 2022 inclusive, o una materia
   equivalente: escribirme si tienen dudas).


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. 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.
      -

      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 optimización.
      -

      Descenso por gradiente.
      -

      Implementación práctica de modelos con PyTorch.
      -

      Redes neuronales. Perceptrón multicapa y Backpropagation.
      -

      Predicción de secuencias. Redes neuronales recurrentes.
      -

      Mecanismos de atención. Self-Attention. Transformers.
      -

      Visión artificial. Redes neuronales convolucionales.

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). I*ntroduction to machine learning
   with Python: a guide for data scientists.*


Aprendizaje Automático II:


   -

   Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. (2016). *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!
Pablo Brusco
Departamento de Computación