Data mining y machine learning

DATOS GENERALES

Código ICCD623
Pensum 2020
Horas semanales 9
Tipo Obligatoria
Asignaturas pre-requisitos ISWD553 - Bases de datos distribuidas
Asignaturas co-requisitos Ninguna
Unidad de organización curricular Unidad Profesional

RESULTADOS DE APRENDIZAJE

De conocimiento
Estudiar y analizar los fundamentos, enfoques y algoritmos de machine learning y data mining
De destrezas Diseñar e implementar soluciones basadas en algoritmos de machine learning para la extracción de información, análisis, visualización y construcción de modelos de predicción a partir de datos 
De valores y actitudes Abstraer problemas y desarrollar soluciones con responsabilidad y ética profesional

CONTENIDO

Capítulo 1 Fundamentos de machine learning
  1. Introducción a machine learning;
  2. Problemas de clasificación, regresión y clustering;
  3. Conjuntos de entrenamiento, validación y testeo (hold-out), y
  4. Overfitting, underfitting y maldición de la dimensionalidad.
Capítulo 2 Programación Matemática para el machine learning
  1. Álgebra lineal: tensores para la manipulación de datos;
  2. Cálculo diferencial numérico: autodiferenciación;
  3. Probabilidades: Probabilidad conjunta, condicional, Teorema de Bayes, PDF, MDF, y
  4. Estimación de error y análisis de desempeño: exactitud, precisión, sensibilidad, validación cruzada, matriz de confusión y curvas ROC.
Capítulo 3 Algoritmos de aprendizaje supervisados estadísticos
  1. Naïve Bayes, k-nearest neighbors (kNN) y árboles de decisión;
  2. Regresión lineal, regresión logística y clasificador sofmax;
  3. Support vector machines (SVM).
Capítulo 4 Algoritmos de aprendizaje supervisados neuronales
  1. Redes neuronales feed-forward;
  2. Redes neuronales convolucionales;
  3. Redes neuronales recurrentes;
  4. Mecanismos de atención, y
  5. Transformers.
Capítulo 5 Aprendizaje no supervisado
  1. Clustering: k-means, Mapas autorganizados (SOM);
  2. Métodos de estimación y maximización EM y MLE;
  3. Reducción de la dimensionalidad: PCA, LDA y Autoencoders;
  4. Modelos de Mesclas Gausianas, y
  5. Market basket analysis.
Capítulo 6 Aprendizaje por refuerzo
  1. Procesos de decisión Markovianos: Cadenas de Markov y HMM;
  2. Exploración vs. Explotación, y
  3. Algoritmos de aprendizaje por refuerzo.

Back to top